Um jogo de xadrez tem 20 movimentos de abertura possíveis. Imagine ser convidado a iniciar um jogo com dezenas de milhões de aberturas em vez disso. Essa foi a tarefa atribuída a Adam Friedman, um estagiário de verão de 2020 no Goddard Space Flight Center da NASA em Greenbelt, Maryland. Um campeão de xadrez no colégio, Friedman analisou seu oponente - um dilúvio de dados sobre as mudanças de brilho de mais de 70 milhões de estrelas.

Usando abordagens computacionais tradicionais, a tarefa de peneirar e classificar essas medições poderia ter levado meses. Com o uso de aprendizado de máquina, uma forma de inteligência artificial, isso pode ser feito em segundos. Trabalhando com Brian Powell, um cientista de dados no High Energy Astrophysics Science Archive Research Center em Goddard, Friedman treinou um sistema de computador para identificar uma classe importante de estrelas variáveis ​​sem programá-lo explicitamente.

O aprendizado de máquina permite que os computadores processem e classifiquem imensas quantidades de dados automaticamente - exatamente o que era necessário para filtrar a torrente de dados estelares. Para fazer isso, Powell criou uma rede neural - uma série de regras matemáticas que tentam reconhecer as relações subjacentes nos dados por meio de um processo que simula, de uma forma bastante simplificada, como o cérebro humano funciona. Para que uma rede neural funcione, no entanto, deve ser treinado.

"O estágio foi sobre a coleta de dados de treinamento, "Friedman disse, "porque o aprendizado de máquina funciona coletando um número incrivelmente grande de exemplos para treinar o modelo."

O Transiting Exoplanet Survey Satellite (TESS) da NASA foi lançado em abril de 2018 para encontrar novos mundos além do nosso sistema solar, ou exoplanetas, monitorando as mudanças de brilho em estrelas próximas. Desde o seu lançamento, TESS observou quase todo o céu. Quinzenal, o satélite envia de volta vários milhares de imagens grandes chamadas imagens de quadro completo de uma seção pré-planejada do céu.

Os astrônomos usam os dados para construir curvas de luz, gráficos que mostram como o brilho de uma estrela muda com o tempo. A partir dos dados brutos do TESS, Powell usou o 129, Supercomputador de 000 núcleos Discover no Center for Climate Simulation (NCCS) da NASA em Goddard para construir milhões de curvas de luz.

"Graças ao apoio do NCCS, fomos capazes de começar a construir curvas de luz em grandes quantidades. Temos cerca de 70 milhões agora, com mais a caminho. A ciência de dados e o aprendizado de máquina podem ajudar a impulsionar essas descobertas, permitindo que grandes volumes de dados sejam classificados e processados ​​com mais rapidez e precisão do que nunca, "Powell disse.

Fora desta enorme pilha, Friedman queria identificar binários eclipsantes, estrelas emparelhadas que passam alternadamente na frente de, ou trânsito, uns aos outros a cada órbita vista da Terra. Durante cada eclipse, o sistema escurece quando uma estrela passa na frente da outra, que produz uma queda em sua curva de luz. "O recurso realmente útil de eclipsar binários, e a razão de que eles são a espinha dorsal da astrofísica, é que eles nos dão medidas diretas de suas propriedades fundamentais, como sua massa e tamanho, "disse Veselin Kostov, um cientista pesquisador em Goddard e no Instituto SETI em Mountain View, Califórnia. "E por meio dessas propriedades, podemos medir distâncias diretamente a esses sistemas. Eles nos oferecem uma das poucas oportunidades de medir distâncias diretas no universo. "

A NCCS também forneceu seu cluster de unidade de processamento gráfico de plataforma de análise de dados avançada para executar a rede neural que Powell codificou e Friedman treinou.

Friedman poderia inserir uma curva de luz e instruir a rede neural a atribuí-la a uma categoria específica. Depois de repetir essa ação milhares de vezes, a rede neural começou a reconhecer grupos de curvas de luz e sugerir classificações com base na probabilidade de que uma dada curva se encaixasse em um determinado grupo. Friedman encontrou curvas de luz de exemplo para uma ampla gama de sistemas estelares e inseriu-as até que a rede aprendesse a aparência de cada uma e pudesse identificar novas curvas de luz de forma autônoma. Isso permitiu que uma tarefa que levaria meses em um computador desktop moderno fosse concluída em poucos segundos.

O aprendizado de máquina melhora muito a eficiência de encontrar esses sistemas estelares em dezenas de milhões de imagens TESS, aprendendo a identificar as características de um eclipse e rotular a curva de luz de acordo. Mas Friedman logo percebeu uma peculiaridade em algumas das curvas de luz que a rede afirmava estarem eclipsando os candidatos binários. Eles tiveram mergulhos extras.

Ocasionalmente, os sistemas estelares podem ter mais de dois componentes. Se essas estrelas eclipsam umas às outras, então a curva de luz terá dimmings adicionais que, à primeira vista, aparecerá em intervalos irregulares. Friedman descobriu que eles eram candidatos a sistemas multistar e então começou uma busca exaustiva por sistemas semelhantes entre os binários eclipsados ​​identificados pela rede neural. No total, Friedman encontrou oito novos candidatos a sistemas estelares quádruplos. Esses casos são interessantes porque fornecem informações sobre como os sistemas multistar se formam e evoluem.

Friedman tinha acabado de terminar o primeiro ano do curso de ciência da computação na Universidade de Michigan, e, no começo do verão, não tinha formação em astronomia, computação de alto desempenho, ciência de dados, ou aprendizado de máquina. Aumentando a complexidade da tarefa em mãos, Friedman realizou seu estágio em casa devido ao COVID-19, mas apesar desses desafios, Powell disse que entendeu rapidamente.

"Ele é nada menos que brilhante, "Powell disse." Adam tem uma habilidade incrível de ver os desvios da periodicidade nas curvas de luz. "Com um resultado cosmicamente profundo de seu estágio, é fácil esquecer o curso do progresso de Friedman. "Não é como se ele fosse um astrônomo e especialista em aprendizado de máquina no início do verão, "Ele acrescentou." Sua capacidade de dominar conceitos extremamente complexos e conjuntos de habilidades em tão pouco tempo é impressionante. "

Friedman estava grato por seu tempo com Powell durante o verão. Ele disse:"Tenho que dar muito crédito a Brian. Ele foi um mentor incrível; ele foi definitivamente o melhor supervisor que já conheci. Ele se encontrava comigo todos os dias, só para me ensinar como fazer o projeto. Ele realmente era um ótimo professor. "