A astronomia entrou na era do big data, onde os astrônomos se veem inundados com informações graças a instrumentos de ponta e técnicas de compartilhamento de dados. Instalações como o Observatório Vera Rubin (VRO) irão coletar num futuro próximo cerca de 20 terabytes (TB) de dados diariamente. Espera-se que outros, como o Thirty-Meter Telescope (TMT), reúnam até 90 TB quando estiverem operacionais. Como resultado, os astrônomos estão lidando com 100 a 200 petabytes de dados todos os anos, e a astronomia deve atingir a “era exabyte” em breve.
Em resposta, os observatórios têm fornecido soluções de crowdsourcing e tornado seus dados de acesso aberto para que os cientistas cidadãos possam ajudar no demorado processo de análise. Além disso, os astrônomos têm se voltado cada vez mais para algoritmos de aprendizado de máquina para ajudá-los a identificar objetos de interesse (OI) no Universo. Em um estudo recente, uma equipe liderada pela Universidade da Geórgia revelou como a inteligência artificial pode distinguir entre falsos positivos e candidatos a exoplanetas simultaneamente, tornando o trabalho dos caçadores de exoplanetas muito mais fácil.
O estudo foi liderado por Jason Terry , um estudante de doutorado do Centro de Física Simulacional (CSP) da Universidade da Geórgia (UGA) e ex-pesquisador do Laboratório Nacional de Los Alamos (LANL). Ele foi acompanhado por pesquisadores da University of California San Francisco (UCSF), do Cardiovascular Research Institute (CRI) e da University of Alabama. O artigo que descreve sua pesquisa, “ Localizando exoplanetas ocultos em dados do ALMA usando aprendizado de máquina”, apareceu recentemente no The Astrophysical Journal .
O primeiro exoplaneta confirmado foi encontrado em 1992, e o número cresceu exponencialmente nos últimos quinze anos. Até o momento, 5.250 exoplanetas foram confirmados em 3.921 sistemas, enquanto outros 9.208 candidatos aguardam confirmação. No entanto, a grande maioria deles pertence a uma das três categorias: semelhantes a Netuno (1.825), gigantes gasosos (1.630) e super-terras (1.595). Esses planetas são mais massivos e geralmente orbitam mais longe de suas estrelas do que os planetas rochosos menores (ou “semelhantes à Terra”), dos quais apenas 195 foram encontrados.
Enquanto isso, os exoplanetas que estão em estágio de formação são difíceis de ver por dois motivos principais: primeiro, eles geralmente estão a centenas de anos-luz da Terra (muito longe para serem vistos com clareza) e, segundo, os discos protoplanetários dos quais eles se formam são muito espessos. , medindo até 1 UA de diâmetro (a distância entre a Terra e o Sol). Pelo que os astrônomos viram, os planetas tendem a se formar no meio desses discos e transmitem uma assinatura da poeira e dos gases levantados no processo. Mas, como Terry disse em um comunicado de imprensa recente da AGU , a pesquisa mostra que a inteligência artificial pode ajudar os cientistas a superar essas dificuldades:
Uma das novidades disso é analisar ambientes onde os planetas ainda estão se formando. O aprendizado de máquina raramente foi aplicado ao tipo de dados que estamos usando antes, especificamente para observar sistemas que ainda estão formando planetas ativamente… Em grande parte, a maneira como analisamos esses dados é que você tem dezenas, centenas de imagens para um determinado disco e você apenas olha e pergunta ‘isso é um movimento?’ em seguida, execute uma dúzia de simulações para ver se isso é um movimento e … é fácil ignorá-los – eles são muito pequenos e dependem da limpeza, então esse método é um, muito rápido, e dois, sua precisão obtém planetas que os humanos sentiriam falta.
Para o estudo, a equipe desenvolveu um modelo de aprendizado de máquina baseado em Visão Computacional (CV), um campo da inteligência artificial que permite que computadores e sistemas extraiam dados de imagens e vídeos digitais. A equipe treinou seu modelo CV usando imagens sintéticas geradas e, em seguida, aplicou o modelo a observações reais de discos protoplanetários conduzidos pelo Atacama Large Millimeter-submillimeter Array (ALMA). No final, eles demonstraram que seu método de aprendizado de máquina (baseado em CV) poderia identificar corretamente a presença de um ou mais planetas em discos.
Eles demonstraram ainda que poderia restringir corretamente a localização dos planetas nesses discos. A co-autora Cassandra Hall, professora assistente de astrofísica e investigadora principal do Exoplanet and Planet Formation Research Group da UGA, explicou :
Esta é uma prova de conceito muito empolgante. O poder aqui é que usamos dados de telescópios exclusivamente sintéticos gerados por simulações de computador para treinar essa IA e, em seguida, aplicamos a dados de telescópios reais. Isso nunca foi feito antes em nosso campo e abre caminho para uma enxurrada de descobertas à medida que os dados do Telescópio James Webb chegam.”
Nos próximos anos, vários observatórios espaciais e terrestres de última geração se juntarão ao Telescópio Espacial James Webb (JWST). Isso inclui o Nany Grace Roman Space Telescope (RST), o Extremely Large Telescope (ELT), o Giant Magellan Telescope (GMT) e o Thirty Meter Telescope (TMT). O e outros telescópios reunirão níveis sem precedentes de dados em vários comprimentos de onda, que serão usados para procurar exoplanetas. Mais do que isso, os instrumentos de ponta que eles usarão serão capazes de caracterizar as atmosferas dos exoplanetas como nunca antes. Terry disse :
Além da pesquisa de exoplanetas, esses observatórios investigarão mistérios cosmológicos como matéria escura, energia escura e sondarão as primeiras idades do universo. Ferramentas analíticas de última geração também são necessárias para analisar esses dados de alta qualidade, para que os astrônomos possam passar mais tempo interpretando os dados e apresentando novas teorias para explicá-los. Segundo Terry, o aprendizado de máquina já é capaz de atender a essa demanda, economizará tempo e dinheiro e orientará com eficiência o tempo científico, os investimentos e as novas propostas:
Resta, dentro da ciência e particularmente da astronomia em geral, o ceticismo sobre o aprendizado de máquina e a IA, uma crítica válida de ser essa caixa preta – onde você tem centenas de milhões de parâmetros e de alguma forma obtém uma resposta. Mas achamos que demonstramos bastante neste trabalho que o aprendizado de máquina está à altura da tarefa. Você pode discutir sobre a interpretação. Mas, neste caso, temos resultados muito concretos que demonstram o poder deste método.
Fonte:
