A face da astronomia está se transformando. Embora a astronomia de campo estreito e ponto fixo ainda seja relevante (como o JWST?), as grandes pesquisas de campo amplo prometem ser os principais motores de descobertas nas próximas décadas, especialmente com o surgimento da aprendizagem de máquina.
Um programa de aprendizado de máquina recentemente desenvolvido, denominado ASTRONOMALY, analisou quase quatro milhões de imagens de galáxias do Dark Energy Camera Legacy Survey (DECaLS), descobrindo 1635 anomalias, incluindo 18 fontes anteriormente não identificadas com uma “morfologia altamente incomum”. Isso indica o que está por vir: uma colaboração entre humanos e softwares que pode realizar uma ciência observacional superior à que qualquer um poderia fazer individualmente.
Telescópios de pesquisa têm sido uma ferramenta essencial para os astrônomos há muito tempo. A diferença no século XXI é que agora eles podem produzir quantidades incrivelmente vastas de dados, muito mais do que um ser humano poderia esperar analisar e examinar por conta própria. O futuro Observatório Vera Rubin, por exemplo, deve gerar 20 terabytes de dados todas as noites (60 petabytes em 10 anos), fornecendo “32 trilhões de observações de 20 bilhões de galáxias”. Analisar todos esses dados levaria décadas para os humanos. A IA pode fazer isso muito mais rapidamente.
A maioria dos programas anteriores de detecção de anomalias foi treinada em conjuntos de dados de teste, ensinando o algoritmo a procurar fenômenos específicos. A limitação desses programas é que eles tendem a encontrar muitas anomalias do mesmo tipo, em vez de anomalias completamente novas. ASTRONOMALY, por outro lado, é executado de forma “não supervisionada”, permitindo-lhe encontrar novos tipos de outliers – coisas que entusiasmam os astrônomos, como lentes gravitacionais, fusões galácticas, padrões de desvio para o vermelho peculiares e qualquer outra coisa que seja simplesmente estranha. No entanto, o ASTRONOMALY tem um desempenho melhor quando emprega uma forma de aprendizado ativo, com a entrada de humanos para corrigir seus erros. Incorporar esse feedback em suas buscas oferece resultados muito melhores. E o melhor: leva apenas algumas horas para o astrônomo.
Em um artigo pré-publicado recentemente, astrônomos testaram o ASTRONOMALY em um conjunto de dados maior do que nunca, demonstrando sua eficácia em grande escala. Após alimentar o programa com uma grande quantidade de dados DECaLS, eles testaram vários algoritmos diferentes. Os resultados mostraram que o método não supervisionado, aprimorado pelo aprendizado ativo dos humanos, ofereceu o maior número de anomalias únicas. As anomalias mais interessantes, segundo os pesquisadores, incluíam “galáxias em anel exibindo cores e morfologia estranhas, uma fonte que é metade vermelha e metade azul, um sistema potencialmente fortemente lenteado com um par de fontes atuando como lente, vários grupos interagindo conhecidos e algumas fontes que estão interagindo ou são alinhamentos coincidentes”. Um objeto enigmático emite emissões de rádio que podem ser explicadas pela presença de um quasar, mas a galáxia também apresenta uma característica em anel que é uma galáxia com anel vermelho raro ou uma lente gravitacional. Outra anomalia parece ser uma galáxia em forma de anel com uma cauda de maré ou uma galáxia companheira colidindo. Todos esses objetos raros teriam sido perdidos sem o algoritmo de aprendizado ativo. Os resultados prometem descobertas emocionantes em um futuro muito próximo.
No entanto, ainda há um desafio a ser superado nesta nova era de enormes conjuntos de dados: a transferência de dados. “Um dos principais desafios que enfrentamos foi a transferência de dados do servidor host para um computador local, o que levou várias semanas”, disseram os pesquisadores. A solução proposta? No futuro, faz mais sentido levar o poder computacional ao observatório anfitrião, em vez de tentar transferir os dados para fora do local.
Fonte:
