Aglomerados de galáxias são algumas das estruturas mais massivas do cosmos, mas apesar de ter milhões de anos-luz, eles ainda podem ser difíceis de detectar. Pesquisadores da Lancaster University recorreram à inteligência artificial para obter assistência, desenvolvendo "Deep-CEE" (Deep Learning para Galaxy Cluster Extraction and Evaluation), uma nova técnica de aprendizado profundo para acelerar o processo de encontrá-los. Matthew Chan, um Ph.D. estudante da Lancaster University, está apresentando este trabalho no encontro de Astronomia Nacional da Royal Astronomical Society em 4 de julho às 15h45 na sessão de Aprendizado de Máquina em Astrofísica.

A maioria das galáxias do universo vive em ambientes de baixa densidade conhecidos como "o campo", ou em pequenos grupos, como aquele que contém nossa Via Láctea e Andrômeda. Aglomerados de galáxias são mais raros, mas eles representam os ambientes mais extremos em que as galáxias podem viver e estudá-los pode nos ajudar a entender melhor a matéria escura e a energia escura.

Durante a década de 1950, o pioneiro na descoberta de aglomerados de galáxias, astrônomo George Abell, passou muitos anos procurando por aglomerados de galáxias a olho, usando uma lente de aumento e placas fotográficas para localizá-los. Abell analisou manualmente cerca de 2, 000 chapas fotográficas, procurando por assinaturas visuais de aglomerados de galáxias, e detalhando as coordenadas astronômicas das regiões densas das galáxias. Seu trabalho resultou no 'catálogo Abell' de aglomerados de galáxias encontrados no hemisfério norte.

Deep-CEE se baseia na abordagem de Abell para identificar aglomerados de galáxias, mas substitui o astrônomo por um modelo de IA que foi treinado para "olhar" para imagens coloridas e identificar aglomerados de galáxias. É um modelo de última geração baseado em redes neurais, que são projetados para imitar a maneira como o cérebro humano aprende a reconhecer objetos, ativando neurônios específicos ao visualizar padrões e cores distintos.

Chan treinou a IA, mostrando repetidamente exemplos de conhecidos, rotulado, objetos em imagens até que o algoritmo seja capaz de aprender a associar objetos por conta própria. Em seguida, executou um estudo piloto para testar a capacidade do algoritmo de identificar e classificar aglomerados de galáxias em imagens que contêm muitos outros objetos astronômicos.

"Aplicamos com sucesso o Deep-CEE ao Sloan Digital Sky Survey", disse Chan, "em última análise, executaremos nosso modelo em levantamentos revolucionários, como o telescópio Large Synoptic Survey (LSST), que investigará mais e mais profundamente em regiões do Universo nunca antes exploradas.

Novos telescópios de última geração permitiram aos astrônomos observar de forma mais ampla e profunda do que nunca, como estudar a estrutura em grande escala do universo e mapear seu vasto conteúdo desconhecido.

Ao automatizar o processo de descoberta, os cientistas podem escanear rapidamente conjuntos de imagens, e retornar previsões precisas com o mínimo de interação humana. Isso será essencial para a análise de dados no futuro. A próxima pesquisa do céu LSST (que deve estar online em 2021) irá criar imagens dos céus de todo o hemisfério sul, gerando cerca de 15 TB de dados todas as noites.

"As técnicas de mineração de dados, como o aprendizado profundo, nos ajudarão a analisar os enormes resultados dos telescópios modernos", disse o Dr. John Stott (supervisor de Ph.D. de Chan). “Esperamos que nosso método encontre milhares de clusters nunca antes vistos pela ciência”.

Chan apresentará as descobertas de seu artigo "A pesca de aglomerados de galáxias com redes neurais" Deep-CEE "no dia 4 de julho às 15h45 na sessão de 'Aprendizado de Máquina em Astrofísica'. (Chan e Stott 2019) que foi submetido a MNRAS e pode ser encontrado em Arxiv .