Os astrônomos da Ohio State University identificaram cerca de 116.000 novas estrelas variáveis, de acordo com um novo artigo.
Esses corpos celestes foram encontrados pelo The All-Sky Automated Survey for Supernovae (ASAS-SN), uma rede de 20 telescópios ao redor do mundo que pode observar todo o céu cerca de 50.000 vezes mais profundo que o olho humano. Pesquisadores do estado de Ohio operam o projeto há quase uma década.

Agora, em um artigo publicado no arXiv, um servidor de pré-impressão de acesso aberto, os pesquisadores descrevem como usaram técnicas de aprendizado de máquina para identificar e classificar estrelas variáveis ​​– objetos celestes cujo brilho aumenta e diminui ao longo do tempo, especialmente se observado de nossa perspectiva na Terra.

As mudanças que essas estrelas sofrem podem revelar informações importantes sobre sua massa, raio, temperatura e até mesmo sua composição. Na verdade, até o nosso sol é considerado uma estrela variável. Pesquisas como a ASAS-SN são uma ferramenta especialmente importante para encontrar sistemas que podem revelar as complexidades dos processos estelares, disse Collin Christy, principal autor do artigo e analista da ASAS-SN na Ohio State.

"As estrelas variáveis ​​são como um laboratório estelar", disse ele. “São lugares muito legais no universo onde podemos estudar e aprender mais sobre como as estrelas realmente funcionam e as pequenas complexidades que todas elas têm”.

Mas para localizar mais dessas entidades indescritíveis, a equipe primeiro teve que trazer dados anteriormente não utilizados do projeto. Durante anos, o ASAS-SN olhou para o céu usando filtros de banda V, lentes ópticas que só podem identificar estrelas cuja luz cai no espectro de cores visíveis a olho nu. Mas em 2018, o projeto passou a usar filtros de banda g – lentes que podem detectar mais variedades de luz azul – e a rede passou de ser capaz de observar cerca de 60 milhões de estrelas por vez para mais de 100 milhões.

Mas, ao contrário da campanha de ciência cidadã da ASAS-SN, que conta com voluntários para filtrar e classificar dados astronômicos, o estudo de Christy exigiu a ajuda de inteligência artificial.

"Se você quiser olhar para milhões de estrelas, é impossível para alguns humanos fazerem isso sozinhos. Vai levar uma eternidade", disse Tharindu Jayasinghe, coautor do artigo, estudante de doutorado em astronomia e pesquisador do estado de Ohio. companheiro presidencial. "Então, tivemos que trazer algo criativo para a mistura, como técnicas de aprendizado de máquina".

O novo estudo concentrou-se em dados de Gaia, uma missão para traçar um mapa tridimensional de nossa galáxia, bem como de 2MASS e AllWISE. A equipe de Christy usou um algoritmo de aprendizado de máquina para gerar uma lista de 1,5 milhão de estrelas variáveis ​​candidatas a partir de um catálogo de cerca de 55 milhões de estrelas isoladas.

Depois, os pesquisadores reduziram ainda mais o número de candidatos. Dos 1,5 milhão de estrelas que eles estudaram, quase 400.000 acabaram sendo estrelas variáveis ​​reais. Mais da metade já era conhecida da comunidade de astronomia, mas 116.027 delas provaram ser novas descobertas.

Embora o estudo precise de aprendizado de máquina para completá-lo, a equipe de Christy diz que ainda há um papel para cientistas cidadãos. Na verdade, os voluntários da campanha de ciência cidadã já começaram a identificar dados indesejados, disse ele. “Fazer com que as pessoas nos digam como são nossos dados ruins é super útil, porque inicialmente, o algoritmo analisaria os dados ruins e tentaria entendê-los”, disse Christy.

Mas usar um conjunto de treinamento de todos esses dados ruins permite que a equipe modifique e melhore o desempenho geral de seu algoritmo. “Esta é a primeira vez que combinamos ciência cidadã com técnicas de aprendizado de máquina no campo da astronomia de estrelas variáveis”, disse Jayasinghe. "Estamos expandindo os limites do que você pode fazer quando junta esses dois." + Explorar mais

Cidadãos cientistas encontram 10.000 novas estrelas variáveis ​​