O aprendizado de máquina se tornou uma peça essencial do kit de ferramentas dos astrônomos

Crédito da imagem: Breakthrough Listen

Quando a maioria das pessoas imagina um astrônomo, elas pensam em uma pessoa solitária sentada no topo de uma montanha, observando através de um enorme telescópio. 

O apetite da IA por dados

É provável que você tenha ouvido os termos “inteligência artificial” e “aprendizagem de máquina” lançados recentemente e, embora sejam frequentemente usados juntos, na verdade eles se referem a coisas diferentes. A inteligência artificial (IA) é um termo usado para descrever qualquer tipo de comportamento computacional que imita a maneira como os humanos pensam e executam tarefas. O aprendizado de máquina (ML) é um pouco mais específico: É uma família de tecnologias que aprendem a fazer previsões e decisões com base em grandes quantidades de dados históricos. Fundamentalmente, o ML cria modelos que exibem um comportamento que não é pré-programado, mas aprendido com os dados usados para treiná-lo.

O reconhecimento facial em seu smartphone, o filtro de spam em seus e-mails e a capacidade de assistentes digitais como Siri ou Alexa de entender a fala são exemplos de aprendizado de máquina usados no mundo real. Muitas dessas tecnologias estão sendo usadas pelos astrônomos para investigar os mistérios do espaço e do tempo. A astronomia e aprendizado de máquina são uma combinação feita nos céus, porque se há uma coisa que os astrônomos têm muito, e os modelos de ML não se cansam, são dados.

Estamos todos familiarizados com megabytes (MB), gigabytes (GB) e terabytes (TB), mas dados nessa escala são notícias antigas em astronomia. Atualmente, estamos interessados em petabytes (PB). Um petabyte é cerca de mil TB, um milhão de GB ou um bilhão de MB. Levaria cerca de 10 PB de armazenamento para armazenar todos os filmes de longa-metragem já feitos em resolução 4K, e levaria mais de cem anos para assistir a todos eles.

O Observatório Rubin está programado para começar a operar em 2024. Crédito da imagem: NOIRLab/NSF/AURA

O Observatório Vera C. Rubin, um novo telescópio em construção no Chile, terá a tarefa de mapear todo o céu noturno com detalhes sem precedentes, todas as noites. Ao longo de uma pesquisa de 10 anos, Vera Rubin produzirá cerca de 60 PB de dados brutos, estudando tudo, desde asteroides em nosso sistema solar até galáxias no universo distante. Nenhum ser humano poderia esperar analisar todos esses dados, e isso é apenas de um dos observatórios de última geração que estão sendo construídos, então a corrida está entre os astrônomos em todos os campos para encontrar novas maneiras de alavancar o poder da IA.

Caçadores de planetas

Uma área da astronomia em que a IA teve um impacto significativo é a busca por exoplanetas. Existem muitas maneiras de procurar seus sinais, mas os métodos mais produtivos com a tecnologia atual geralmente envolvem o estudo da variação do brilho de uma estrela ao longo do tempo. Se a curva da luz de uma estrela mostra um escurecimento característico, pode ser um sinal claro de um planeta transitando na frente da estrela hospedeira. Por outro lado, um fenômeno chamado microlente gravitacional pode causar um grande aumento no brilho de uma estrela, quando a gravidade do exoplaneta atua como uma lente e amplia uma estrela mais distante ao longo da linha de visão. Detectar essas quedas e picos significa peneirar milhões de curvas de luz, cuidadosamente coletadas por telescópios espaciais como o Kepler da NASA e o TESS (Transiting Exoplanet Survey Satellite).

Usando as enormes bibliotecas de curvas de luz observadas, os astrônomos conseguiram desenvolver modelos baseados em ML que podem superar os humanos na busca por exoplanetas. Mas a IA pode fazer muito mais do que apenas encontrar exoplanetas: Também pode levar os astrônomos a novos insights sobre como essas técnicas funcionam.

Em um artigo publicado em 23 de maio na Nature Astronomy, uma equipe de pesquisadores relatou que os algoritmos de ML os ajudaram a descobrir uma compreensão mais elegante da microlente de exoplanetas, unificando várias interpretações de como a configuração do exoplaneta com sua estrela hospedeira pode variar. O relatório veio apenas alguns meses depois que pesquisadores da DeepMind relataram na Nature novos insights fundamentais auxiliados por IA em matemática.

Um exoplaneta com microlente e uma estrela de fundo cria um pico de brilho, que pode ser detectado por humanos ou algoritmos. No entanto, como a microlente oferece relativamente pouca informação sobre o próprio exoplaneta na lente, os dados deixam em aberto muitas possibilidades para a configuração do planeta com sua estrela hospedeira, ou seja, sua massa e quão perto ele orbita sua estrela hospedeira. Anteriormente, os astrônomos haviam identificado várias maneiras pelas quais diferentes configurações de estrelas e planetas poderiam produzir o mesmo sinal de microlente. Mas o aprendizado de máquina ajudou pesquisadores da Universidade da Califórnia em Berkeley e da Universidade Estadual de Ohio a perceber que, de fato, dois desses tipos de ambiguidade, chamados de degeneraçõesn– podem ser pensados ??como casos específicos de outra degeneração mais geral. A descoberta efetivamente criou uma teoria mais unificada de microlentes de exoplanetas. “Esta descoberta estava oculta de todos”, escreveu o coautor Joshua Bloom, da UC Berkeley, em uma postagem no blog. Crédito da imagem: ESO/L. Calçada/Wikimedia Commons

Os astrônomos também esperam que, em um futuro próximo, o aprendizado de máquina os ajude a identificar quais planetas podem ser habitáveis. Usando observatórios de última geração, como o Telescópio Nancy Grace Roman e o Telescópio Espacial James Webb (JWST), os astrônomos pretendem usar o ML para detectar água, gelo e neve em planetas rochosos.

Falsificações galácticas

Enquanto muitos modelos de ML são treinados para distinguir entre diferentes tipos de dados, outros se destinam a produzir novos dados. Esses modelos generativos são um subconjunto de técnicas de IA que criam produtos de dados artificiais, como imagens, com base em algum entendimento subjacente dos dados usados para treiná-los.

A série de modelos DALL-E desenvolvidos pela empresa de pesquisa OpenAI - e o imitador gratuito que inspirou, DALL-E mini, levaram esse conceito aos olhos do público. Esses modelos geram uma imagem a partir de qualquer prompt escrito e incendiaram a internet com sua incrível capacidade de construir imagens de, por exemplo, Garfield inseridas em episódios de Seinfeld.

Você pode pensar que os astrônomos desconfiariam de qualquer tipo de imagem falsa, mas nos últimos anos, os pesquisadores se voltaram para modelos generativos para criar falsificações galácticas. Um artigo publicado em 28 de janeiro na revista Monthly Notices of the Royal Astronomical Society descreve o uso do método para produzir imagens incrivelmente detalhadas de galáxias falsas, que podem ser usadas para testar previsões de enormes simulações do universo. Elas também podem ajudar a desenvolver e refinar os pipelines de processamento de dados para pesquisas de última geração.

Alguns desses algoritmos são tão bons que até mesmo astrônomos profissionais podem se esforçar para distinguir entre o real e o falso. Veja esta entrada recente na página Astronomy Picture of the Day da NASA, que apresenta dezenas de imagens geradas sinteticamente de objetos no céu noturno, e apenas uma imagem real.

Fazendo descobertas por acaso

A IA também está preparada para fazer descobertas que não podemos prever. Há uma longa história de descobertas em astronomia que aconteceram porque alguém estava no lugar certo, na hora certa. Urano foi descoberto por acaso quando William Herschel estava examinando o céu noturno em busca de estrelas fracas, Vesto Slipher mediu a velocidade dos braços espirais no que ele pensava serem discos protoplanetários, eventualmente levando à descoberta do universo em expansão, e a famosa detecção de Jocelyn Bell Burnell de pulsares aconteceu enquanto ela estava analisando medições de quasares.

Talvez em breve, uma IA possa se juntar a essas fileiras de descobridores fortuitos por meio de um campo de técnicas chamado detecção de anomalias. Esses algoritmos são treinados especificamente para filtrar montanhas de imagens, curvas de luz e espectros, procurando as amostras que não se parecem com nada que vimos antes. Na próxima geração da astronomia, com seus petabytes de dados brutos de observatórios como o Rubin e o JWST, não podemos imaginar o que esses algoritmos podem encontrar.

Junte-se aos nossos Canais Espaciais para continuar falando sobre o espaço nas últimas missões, céu noturno e muito mais! Siga-nos no facebook, twitter e instagram. Inscreva-se no boletim informativo. E se você tiver uma dica, correção ou comentário, informe-nos aqui ou pelo e-mail: gaiaciencia@gaiaciencia.com.br

Referência:

SPINDLER, Ashley. How artificial intelligence is changing astronomy. Astronomy, 15, jul. 2022. Disponível em: <https://astronomy.com/news/2022/07/how-artificial-intelligence-is-changing-astronomy>. Acesso em: 20, jul. 2022.

Marcello Franciolle F T I P E
Founder - Gaia Ciência

Marcello é fundador da Gaia Ciência, que é um periódico científico que foi pensado para ser uma ferramenta para entender o universo e o mundo em que vivemos, com temas candentes e fascinantes sobre o Universo e Ciências da Terra para inspirar e encantar as pessoas. Ele é graduando em Administração pelo Centro Universitário N. Sra. do Patrocínio (CEUNSP) – frequentou a Universidade de Sorocaba (UNISO); graduação em Análise de Sistemas e onde participou do Encontro de Pesquisadores e Iniciação Científica (EPIC). Suas paixões são literatura, filosofia, poesia e claro ciência.