A inteligência artificial ajuda na identificação de objetos astronômicos
Impressão artística de Euclides. Crédito:Medialab ESA/ATG (nave espacial); NASA, ESA, CXC, C. Ma, H. Ebeling e E. Barrett (U. Hawaii/IfA), et al. e STScI (fundo)
A classificação de objetos celestes é um problema de longa data. Com fontes a distâncias quase inimagináveis, às vezes é difícil para os pesquisadores distinguir entre objetos como estrelas, galáxias, quasares ou supernovas. Os investigadores do Instituto de Astrofísica e Ciências do Espaço (IA) Pedro Cunha e Andrew Humphrey tentaram resolver este problema clássico criando o SHEEP, um algoritmo de aprendizagem automática que determina a natureza das fontes astronómicas. Andrew Humphrey (IA &Universidade do Porto, Portugal) comenta:“O problema de classificar objetos celestes é muito desafiador, em termos de números e complexidade do universo, e a inteligência artificial é uma ferramenta muito promissora para esse tipo de tarefa. "
O primeiro autor do artigo, agora publicado na revista Astronomy &Astrophysics , Pedro Cunha, Ph.D. aluno do IA e do Departamento de Física e da Universidade do Porto, diz:"Este trabalho nasceu como um projeto paralelo da minha tese de mestrado. Combinou as lições aprendidas durante esse tempo num projeto único."
Andrew Humphrey, orientador de mestrado de Pedro Cunha e agora Ph.D. o coorientador diz:"Foi muito legal obter um resultado tão interessante, especialmente de uma tese de mestrado."
O SHEEP é um pipeline de aprendizado de máquina supervisionado que estima desvios para o vermelho fotométricos e usa essas informações ao classificar as fontes como uma galáxia, quasar ou estrela. “A informação fotométrica é a mais fácil de obter e por isso é muito importante para uma primeira análise sobre a natureza das fontes observadas”, diz Pedro Cunha. Animação da espaçonave Euclides. Crédito:ESA/ATG medialab “Um novo passo em nosso pipeline é que, antes de realizar a classificação, o SHEEP primeiro estima os redshifts fotométricos, que são então colocados no conjunto de dados como um recurso adicional para o treinamento do modelo de classificação”.
A equipe descobriu que incluir o redshift e as coordenadas dos objetos permitiu que a IA os entendesse dentro de um mapa 3D do universo, e eles usaram isso junto com informações de cores para fazer melhores estimativas das propriedades da fonte. Por exemplo, a IA descobriu que há uma chance maior de encontrar estrelas mais próximas do plano da Via Láctea do que nos pólos galácticos. Humphrey acrescentou:“Quando permitimos que a IA tivesse uma visão 3D do universo, isso realmente melhorou sua capacidade de tomar decisões precisas sobre o que era cada objeto celeste”.
Levantamentos de área ampla, tanto terrestres quanto espaciais, como o Sloan Digital Sky Survey (SDSS), renderam grandes volumes de dados, revolucionando o campo da astronomia. Pesquisas futuras, realizadas por empresas como o Observatório Vera C. Rubin, o Instrumento Espectroscópico de Energia Escura (DESI), a missão espacial Euclides (ESA) ou o Telescópio Espacial James Webb (NASA/ESA) continuarão a nos fornecer mais detalhes imagem. No entanto, analisar todos os dados usando métodos tradicionais pode ser demorado. A IA ou aprendizado de máquina será crucial para analisar e fazer o melhor uso científico desses novos dados.
Este trabalho faz parte do esforço da equipe para explorar o dilúvio esperado de dados provenientes dessas pesquisas, desenvolvendo sistemas de inteligência artificial que classificam e caracterizam com eficiência bilhões de fontes. Mapa 3D do Universo, feito pela colaboração eBOSS no SDSS. Crédito:EPFL
Pedro Cunha diz:"Uma das partes mais emocionantes é ver como o aprendizado de máquina está nos ajudando a entender melhor o universo. Nossa metodologia nos mostra um caminho possível, enquanto novos são criados ao longo do processo. É um momento emocionante para a astronomia. "
Imagens e levantamentos espectroscópicos são um dos principais recursos para a compreensão do conteúdo visível do universo. Os dados dessas pesquisas permitem estudos estatísticos de estrelas, quasares e galáxias, e a descoberta de objetos mais peculiares.
O investigador principal Polychronis Papaderos diz:"O desenvolvimento de algoritmos avançados de aprendizado de máquina, como SHEEP, é um componente integral da estratégia coerente da IA para a exploração científica de grandes conjuntos de dados fotométricos sem precedentes para bilhões de galáxias com a missão espacial Euclid da ESA, programada para lançamento em 2023."
Euclides fornecerá uma cartografia detalhada do universo e esclarecerá a natureza da enigmática matéria escura e da energia escura. + Explorar mais
Astrônomos produzem o maior catálogo 3-D de galáxias