Reconhecimento de Padrões em Curvas de Luz Astronômicas Transitórias com o Auxílio da Inteligência Artificial

Rafael Santos Oliveira & Maurício Pinheiro

O Large Synoptic Survey Telescope (LSST), programado para entrar em operação em 2023, representa um avanço significativo na observação de objetos transientes no céu, ou seja, objetos ou eventos astronômicos que duram um curto período de tempo, nas escalas temporais astronômicas, tais como: supernovas, que são explosões estelares brilhantes e efêmeras; fusões de estrelas de nêutrons, evento que resulta na geração de ondas gravitacionais; e meteoros, que são objetos que cruzam o céu terrestre. Assim, é de grande importância detectar e catalogar esses eventos e objetos astronômicos.

O Observatório Vera C. Rubin, anteriormente conhecido como Large Synoptic Survey Telescope (LSST), é um observatório astronômico localizado na Província de Elqui, Região de Coquimbo, Chile. Situado a uma altitude de 2.663 metros, o observatório abriga o Telescópio de Pesquisa Simonyi, um telescópio refletor de campo amplo com um espelho primário de 8,4 metros. Este telescópio opera no comprimento de onda de 320–1060 nm e possui uma área de coleta de 35 metros quadrados. Ele apresenta um design anastigmático de três espelhos e está montado em um suporte altazimutal. O LSST realizará uma pesquisa de imagem de dez anos em 18.000 graus quadrados do céu, capturando imagens com uma câmera CCD de imagem de 3,2 gigapixels, que é a maior câmera digital já construída. (Foto cortesia de LSST Corp./NOAO)

O diferencial do LSST está em sua capacidade de gerar volumes massivos de dados astronômicos. A cada noite de observação, ele produzirá cerca de 15 Terabytes de informações. Esse grande volume de dados é resultado da sua habilidade de capturar o céu de forma panorâmica e repetitiva, mapeando o universo de maneira sem precedentes. No entanto, essa abundância de dados astronômicos traz um grande desafio: como analisar e classificar esses objetos transitórios de forma eficiente, antes que eles se apaguem?

Em 2018, reconhecendo esse obstáculo, o LSST lançou um desafio na plataforma Kaggle, oferecendo uma recompensa de 25.000 dólares. O objetivo era desenvolver uma rede neural capaz de classificar automaticamente o tipo de objeto observado a partir de suas curvas de luz. O vencedor foi Kyle Boone e sua solução está disponível aqui.

No desafio proposto pelo Large Synoptic Survey Telescope (LSST), foi disponibilizado um conjunto de dados considerável, totalizando 40 gigabytes em tabelas no formato CSV. Essas tabelas de dados servem como a base para o treinamento da I.A. que deve ser capaz de classificar o tipo de objeto astronômico observado com base em suas curvas de luz. Cada objeto presente no Dataset possui um id e uma classificação, ao total são 14 objetos/eventos, sendo eles: Single micro-lens, TDE, Eclipsing Binary, SNII, SNIax, Mira, SNIbc, Kilonova, M-dwarf, SNIa-91bg, AGN, SNIa, RR lyrae, SLSN-I.

Curva de luz do asteroide 201 Penelope com base em imagens tiradas em 6 de outubro de 2006 no Observatório da Universidade de Mount John. A escala inferior está em dias, e uma rotação completa ocorre de cerca de -0,14 a 0,02 (ou cerca de 3,7 horas). A curva de luz possui dois máximos e dois mínimos porque o asteroide 201 Penelope tem (em primeira ordem) uma forma de elipsoide. Ele gira em torno de seu eixo curto, então os mínimos ocorrem quando o vemos de frente, enquanto os máximos ocorrem quando o vemos de lado. Criado usando o Matlab. Criado em 19 de Outubro de 2006 por Evil Monkey. CC BY-SA 2.5 Fonte: Wikimedia Commons.

Ao observar uma estrela, é possível notar uma variação em seu brilho ao longo de um determinado espaço de tempo, a qual pode ser representada através de um gráfico denominado curva de luz de um objeto celeste. Cada tipo de objeto, como supernovas, estrelas de nêutrons, asteroides, etc., tem uma curva de luz característica. Portanto, a IA é treinada para reconhecer essas características e, com base nas curvas de luz observadas, classificar automaticamente o objeto em uma das categorias predefinidas.

A classificação automatizada é de vital importância, considerando o volume significativo de dados que o LSST está prestes a gerar. Seria humanamente impossível analisar e classificar manualmente todas essas curvas de luz em tempo hábil. Cada curva exigiria a análise minuciosa de um especialista, e, portanto, o desenvolvimento de uma inteligência artificial capaz de realizar essa tarefa torna-se uma necessidade fundamental para o uso deste telescópio.

Tal iniciativa exemplifica o papel cada vez mais importante que a inteligência artificial desempenha na exploração do espaço e na análise de grandes conjuntos de dados astronômicos. Através de desafios como esse, a humanidade avança rumo a uma compreensão mais profunda do cosmos, e o LSST é uma das peças mais emocionantes desse quebra-cabeça que é o universo. À medida que nos preparamos para a era operacional do LSST em 2023, pode-se esperar uma enxurrada de descobertas astronômicas com o auxílio da inteligência artificial.

#Astronomia #ClassificaçãoAutomatizada #CompreensãoDoCosmos #CurvasDeLuz #ExploraçãoEspacial #IA #InteligênciaArtificial #Kaggle #LargeSynopticSurveyTelescope #LSST #ObjetosTransientes #VolumeDeDadosAstronômicos

Glossário:

O Kaggle é uma plataforma dedicada a competições de ciência de dados. Nessa plataforma, tanto indivíduos quanto empresas podem disponibilizar conjuntos de dados de forma gratuita, permitindo que qualquer pessoa cadastrada possa fazer o download e utilizá-los para fins de estudo e pesquisa. Alguns desses conjuntos de dados são clássicos para iniciantes, como o conjunto “Iris Species“. Nesse exemplo, os participantes são desafiados a classificar corretamente a espécie de uma flor com base em um conjunto de características fornecido nos dados. O Kaggle também fornece um espaço para os usuários compartilharem suas soluções e abordagens para os desafios, o que promove a aprendizagem colaborativa. Além dos espaços colaborativos, empresas podem oferecer recompensas financeiras, através de competições, para os primeiros participantes que conseguirem resolver com sucesso seus desafios propostos. Essa plataforma se tornou um centro de aprendizado e inovação na área de ciência de dados e aprendizado de máquina, atraindo uma comunidade diversificada de entusiastas e profissionais de dados.