Diferentes formas de galáxias, da esquerda para a direita:elíptico, lenticular, espiral, e irregulares / diversos. Crédito:NASA / Hubble (galáxia elíptica M87), ESA / Hubble e NASA (galáxia lenticular NGC 6861 e as galáxias antenas em colisão), e David Dayag (a galáxia espiral de Andrômeda).
Os astrônomos projetaram e treinaram um programa de computador que pode classificar dezenas de milhares de galáxias em apenas alguns segundos, uma tarefa que geralmente leva meses para ser realizada.
Na pesquisa publicada hoje, astrofísicos da Austrália usaram o aprendizado de máquina para acelerar um processo que muitas vezes é feito manualmente por astrônomos e cientistas cidadãos em todo o mundo.
"As galáxias vêm em diferentes formas e tamanhos, "disse o autor principal Mitchell Cavanagh, um Ph.D. candidato baseado na University of Western Australia do Centro Internacional de Pesquisa em Radioastronomia (ICRAR).
"Classificar as formas das galáxias é um passo importante para entender sua formação e evolução, e pode até lançar luz sobre a própria natureza do Universo. "
Cavanagh disse que com pesquisas maiores do céu acontecendo o tempo todo, astrônomos estão coletando galáxias demais para serem examinadas e classificadas por conta própria.
"Estamos falando de vários milhões de galáxias nos próximos anos. Às vezes, cientistas cidadãos são recrutados para ajudar a classificar as formas das galáxias em projetos como o Galaxy Zoo, mas isso ainda leva tempo. "
É aqui que as redes neurais convolucionais, ou CNNs, entrar. No mundo da alta tecnologia de hoje, esses tipos de programas de computador estão por toda parte, usado em tudo, desde imagens médicas, mercados de ações e análise de dados, para saber como a Netflix gera recomendações com base em seu histórico de exibições.
O poder das CNNs está em sua capacidade de extrair recursos em imagens. Dentro do programa de computador, as camadas convolucionais são capazes de delinear, rastrear e detectar a presença de braços espirais ou outras características. Crédito:Mitchell Cavanagh / ICRAR
Nos últimos anos, CNNs começaram a ver uma adoção mais ampla na astronomia. A maioria das CNNs existentes que os astrônomos usam são binárias - esta é uma galáxia espiral ou não? Mas esta nova CNN usa classificação multiclasse - esta é uma elíptica, lenticular, espiral, ou galáxia irregular? - com mais precisão do que as redes binárias existentes.
Cavanagh disse que o aprendizado de máquina está se tornando mais difundido na astronomia.
"A enorme vantagem das redes neurais é a velocidade. Imagens de pesquisa que de outra forma levariam meses para serem classificadas por humanos podem ser classificadas em poucos minutos."
"Usando uma placa gráfica padrão, podemos classificar 14, 000 galáxias em menos de três segundos. "
"Essas redes neurais não serão necessariamente melhores do que as pessoas, porque são treinadas por pessoas, mas estão chegando perto com mais de 80% de precisão, e até 97% ao classificar entre elípticas e espirais. "
Ser capaz de distinguir uma galáxia lenticular de outros tipos pode ser difícil para os olhos humanos, mas as camadas convolucionais procuram recursos que não podemos ver. Também, uma CNN nunca se cansa, e se a imagem for invertida ou girada, isso não fará com que a CNN cometa um erro. Crédito:Mitchell Cavanagh / ICRAR
"Se você colocar um grupo de astrônomos em uma sala e pedir que eles classifiquem um monte de imagens, quase certamente haverá desacordos. Esta incerteza inerente é o fator limitante em qualquer modelo de IA treinado em dados rotulados. "
Uma grande vantagem desta nova IA é que os pesquisadores serão capazes de classificar mais de 100, 000, 000 galáxias em diferentes distâncias (ou redshifts) da Terra e em diferentes ambientes (grupos, clusters, etc.). Isso os ajudará a entender como as galáxias estão sendo transformadas ao longo do tempo, e por que isso pode acontecer em ambientes específicos.
As CNNs que Cavanagh desenvolveu não são apenas para astronomia. Eles podem ser reaproveitados para uso em muitos outros campos, contanto que eles tenham um conjunto de dados grande o suficiente para treinar.
"As CNNs terão um papel cada vez mais importante no futuro do processamento de dados, especialmente quando campos como a astronomia enfrentam os desafios do big data, " ele disse
