No campo em rápida evolução da astronomia, um desenvolvimento significativo tem sido a aplicação de técnicas de aprendizado de máquina para analisar dados cósmicos extensos. Esse avanço é particularmente evidente no trabalho de uma equipe internacional liderada por Rodrigo Carvajal do Instituto de Astrofísica e Ciências Espaciais (IA) e da Faculdade de Ciências da Universidade de Lisboa.
A equipe criou um algoritmo pioneiro de aprendizado de máquina projetado para identificar galáxias superluminosas no início do universo. Acredita-se que essas galáxias sejam fortemente influenciadas pela atividade de buracos negros massivos em seus núcleos. O algoritmo de aprendizado de máquina, desenvolvido em colaboração com a empresa de tecnologia Closer, foi treinado usando imagens de galáxias capturadas em várias frequências do espectro eletromagnético. Esta abordagem provou ser significativamente mais eficiente do que os métodos tradicionais, prevendo quatro vezes mais galáxias de rádio.
O aspecto único deste algoritmo é sua capacidade de prever quando a atividade desses buracos negros também emite sinais intensos de rádio, que geralmente são distintos e desafiadores de vincular com outras luzes galácticas. O uso de inteligência artificial neste contexto não apenas aumenta a eficiência na identificação de galáxias de rádio, mas também fornece novos insights sobre os fenômenos físicos que ocorrem nessas galáxias. Tais fenômenos remontam a 1,5 bilhão de anos após o Big Bang, período em que o universo tinha apenas um décimo de sua idade atual.
A Evolução das Galáxias
A pesquisa liderada por Carvajal e sua equipe visa abordar uma lacuna crítica na compreensão atual do número de galáxias ativas no início do universo. Há uma hipótese prevalente de que existiam mais galáxias ativas durante a história inicial do universo do que as observações atuais sugerem. Essa discrepância indica a necessidade de observações mais extensas para confirmar ou revisar as teorias existentes sobre a evolução de galáxias ativas.
Carvajal enfatiza a importância de não apenas encontrar mais galáxias ativas, mas também analisar os próprios modelos de aprendizado de máquina. Ao entender o processo decisório do algoritmo, os pesquisadores podem identificar quais características galácticas são mais relevantes na classificação de uma galáxia como ativa. Por exemplo, emissões de luz infravermelha de uma galáxia, que podem indicar formação rápida de estrelas, podem ser um fator crucial nesta classificação.
A análise da importância relativa de várias características galácticas no processo decisório do algoritmo poderia lançar luz sobre as origens de atividades galácticas intensas, particularmente na banda de rádio. Carvajal também está explorando a possível ligação entre emissões de rádio e formação de estrelas em um estudo futuro. Esta pesquisa pode fornecer insights valiosos sobre os processos que influenciaram a formação de novas estrelas na segunda metade da história do universo.
Perspectivas Futuras
O campo da astronomia está à beira de uma nova era marcada pela disponibilidade de grandes quantidades de dados, graças a telescópios de rádio modernos. Pesquisas do céu futuras, como o projeto Evolutionary Map of the Universe (EMU), que usará o telescópio de rádio ASKAP na Austrália para mapear todo o hemisfério celestial sul, devem revelar bilhões de galáxias. A equipe do IA já está trabalhando com dados de um projeto piloto desta pesquisa. Esses esforços são um prelúdio para o enorme processamento de dados que será necessário para o Observatório do Square Kilometer Array (SKAO), um projeto internacional no qual Portugal participa. Espera-se que o SKAO produza uma quantidade astronômica de dados, necessitando de técnicas avançadas para processamento e análise eficazes.
A colaboração entre o IA e a Closer, iniciada por Helena Cruz, cientista de dados da Closer e coautora do estudo, destaca a natureza interdisciplinar deste empreendimento. O envolvimento de Cruz foi crucial para abordar as incertezas e inconsistências entre diferentes fontes de dados, que incluíam informações de vários telescópios e programas de observação. Esta colaboração exemplifica a sinergia entre astronomia e ciência de dados, com modelos de aprendizado de máquina sendo ferramentas essenciais para desvendar as complexidades dos dados astronômicos.
José Afonso, coautor do artigo e membro do IA e Ciências ULisboa, destaca a crescente importância do desenvolvimento de métodos sofisticados para análise de dados em astronomia. À medida que o campo avança, a integração dessas técnicas é vital para entender as origens das galáxias e os buracos negros supermassivos que hospedam. Esta colaboração e o desenvolvimento de técnicas avançadas de processamento de dados no IA representam um passo significativo para decifrar os mistérios do cosmos.
Fonte: Phys.org
