Com o Cherenkov Telescope Array (CTA) que está atualmente em construção, pesquisadores esperam observar raios gama altamente energéticos que podem levar à descoberta de novos objetos dentro e fora de nossa galáxia e até desvendar o mistério da matéria escura. Contudo, identificar esses raios gama não é fácil. Pesquisadores do consórcio CTA agora estão tentando aperfeiçoá-lo com redes neurais treinadas no supercomputador Piz Daint.

Após a conclusão em 2025, o Cherenkov Telescope Array (CTA) será o maior conjunto de telescópios de observação de raios gama já construído. Mais de 100 telescópios com diâmetros entre 4 e 23 metros estão sendo instalados nos hemisférios norte e sul, no Observatório Roque de los Muchachos nas Ilhas Canárias La Palma e no Deserto de Atacama no Chile. Os telescópios são projetados para registrar de forma abrangente os flashes de luz induzidos pelos raios gama que viajam pelo cosmos e atingem a atmosfera da Terra. Os raios gama se originam de eventos cósmicos violentos e são um trilhão de vezes mais energéticos do que a luz visível. Eles são gerados pelos chamados "aceleradores de partículas cósmicas", como explosões de supernovas ou buracos negros supermassivos devorando estrelas circundantes, gás e poeira.

Extrair raios gama da chuva de partículas representa um desafio

Quando os raios gama atingem a atmosfera da Terra, eles interagem com os átomos e moléculas do ar para criar uma chuva de partículas, que produz principalmente flashes de luz azuis chamados luz Cherenkov. Esta luz é coletada pelo sistema de espelho do telescópio especialmente projetado e focada em câmeras extremamente rápidas. Com esses dados, pesquisadores podem tirar conclusões sobre a origem dos raios gama que podem tornar possível descobrir centenas de novos objetos em nossa própria galáxia, a via Láctea, e até mesmo em galáxias formadoras de estrelas e buracos negros supermassivos fora dela. Os raios gama detectados pelo CTA poderiam, entre outras coisas, também fornecem uma assinatura direta da matéria escura, cuja existência é apoiada por observações indiretas, mas nunca foi observada diretamente.

As fotos desses eventos cósmicos coletadas pelo CTA mostram elipses alongadas, de acordo com Etienne Lyard e seus colegas do Département d'Astronomie, Université de Genève, em seu último estudo publicado no Journal of Physics:Conference Series . Existem dois tipos de partículas que causam esses eventos:hádrons, quais são os mais numerosos; e as partículas de interesse, os fótons de alta energia chamados de raios gama. "Os pesquisadores estão mais interessados ​​nos raios gama, uma vez que atravessam o espaço interestelar em linha reta, enquanto hádrons, sendo partículas carregadas, dobrar devido a campos magnéticos, "Lyard diz.

Existem procedimentos bem estabelecidos para diferenciar entre raios gama e hádrons; mas para ter a maior certeza possível de que apenas os raios gama são detectados e avaliados, muitos eventos ambíguos são filtrados, o que reduz a sensibilidade geral dos instrumentos. No entanto, às vezes, eventos de hadron ainda são falsamente identificados como raios gama, que contaminam o experimento como ruído de fundo.

As redes neurais melhoram a sensibilidade do conjunto de telescópios

Para melhorar o procedimento de discriminação entre hádrons e raios gama, e, portanto, a sensibilidade dos observatórios, Lyard e sua equipe agora tentaram distingui-los uns dos outros usando redes neurais convolucionais profundas (CNNs) treinadas no supercomputador CSCS Piz Daint. Eles avaliaram o desempenho das CNNs em comparação com os métodos convencionais de detecção de raios gama (Boosted Decision Trees) usando eventos gerados com simulações de Monte Carlo, que, de acordo com os autores, chegou mais perto dos eventos reais. "Nosso trabalho é uma tentativa de usar redes neurais de visão computacional, uma espécie de visão de máquina, que processa e analisa as imagens capturadas pelas câmeras de várias maneiras e as adapta para trabalhar em nossos dados, "diz Lyard. E acontece que, sob condições específicas, as CNNs superam as técnicas clássicas.

Embora ainda haja muito espaço para melhorias na arquitetura das CNNs, os pesquisadores estão convencidos de que essas e outras abordagens de aprendizado de máquina podem ajudar a obter a melhor produção científica do observatório do CTA. "Estamos confiantes de que essas abordagens se tornarão a norma, porque ele já supera as técnicas de ponta, enquanto nenhuma informação sobre os processos físicos em funcionamento foi colocada na análise, "Lyard diz." À medida que nossa compreensão das CNNs cresce, critérios mais apropriados - como o desenvolvimento de tempo das elipses alongadas - serão usados ​​para realizar a análise, e o desempenho geral certamente melhorará, também."