Quando duas estrelas de neutrões se fundem, as ondas gravitacionais propagam-se no espaço. Pouco depois desta perturbação do espaço-tempo, segue-se uma explosão brilhante - uma quilonova, na qual, como numa ourivesaria cósmica, surgem átomos pesados que as estrelas não conseguem formar. As quilonovas expressam-se em muitas facetas diferentes, o que proporciona aos astrónomos uma excelente oportunidade para estudar a gravidade e a matéria sob condições extremas. Mas são raras e de curta duração. Para que os detetores de ondas gravitacionais e os telescópios tenham a possibilidade de encontrar esses sinais, é necessário rapidez e precisão. Uma equipa de investigação interdisciplinar está a utilizar a aprendizagem de máquina para analisar dados de detetores de ondas gravitacionais a alta velocidade e encontrar uma colisão de estrelas de neutrões antes da explosão subsequente estar em pleno andamento.

As estrelas de neutrões são remanescentes estelares exóticos e extremamente compactos. Apenas os buracos negros têm uma densidade superior. Ao passo que os buracos negros que colidem uns com os outros só podem ser detetados pelas ondas gravitacionais emitidas, as fusões de estrelas de neutrões emitem um breve clarão de luz em todo o espetro eletromagnético logo após o sinal da onda gravitacional. Estas quilonovas ocorrem a milhões de anos-luz da Terra. O objetivo é localizá-las antes que os telescópios as possam ver: o seu sinal de onda gravitacional deve ser encontrado o mais rapidamente possível no fluxo de dados dos instrumentos correspondentes. Este é um grande desafio para os métodos tradicionais de análise de dados. Estes sinais correspondem a minutos de dados dos detetores atuais e, potencialmente, a horas ou dias de dados de futuros observatórios. A análise de conjuntos de dados tão massivos é computacionalmente dispendiosa e morosa.

Uma equipa internacional de cientistas desenvolveu um algoritmo de aprendizagem de máquina, denominado DINGO-BNS (Deep INference for Gravitational-wave Observations from Binary Neutron Stars), que permite poupar tempo precioso na interpretação das ondas gravitacionais emitidas por fusões binárias de estrelas de neutrões. Treinaram uma rede neuronal para caracterizar completamente os sistemas de estrelas de neutrões em fusão em cerca de um segundo, em comparação com cerca de uma hora para os métodos tradicionais mais rápidos. Os seus resultados foram publicados na revista Nature.

Impressão de artista de duas estrelas de neutrões em fusão e das ondas gravitacionais que produzem. Crédito: Instituto Max Planck para Sistemas Inteligentes/A. Posada

Porque é que a computação em tempo real é importante?

As fusões de estrelas de neutrões emitem luz visível (na subsequente explosão de quilonova) e outras radiações eletromagnéticas, para além das ondas gravitacionais. "A análise rápida e precisa dos dados relativos às ondas gravitacionais é crucial para localizar a fonte e apontar os telescópios na direção certa o mais rapidamente possível para observar todos os sinais que a acompanham", afirma Maximilian Dax, estudante de doutoramento no departamento de Inferência Empírica do Instituto Max Planck para Sistemas Inteligentes e primeiro autor do artigo científico.

O método em tempo real poderá estabelecer um novo padrão para a análise de dados de fusões de estrelas de neutrões, dando à comunidade astronómica em geral mais tempo para apontar os seus telescópios para as estrelas de neutrões em fusão assim que os grandes detetores da colaboração LVK (LIGO-Virgo-KAGRA) as identifiquem.

"Os atuais algoritmos de análise rápida utilizados pelo LVK fazem aproximações que sacrificam a precisão. O nosso novo estudo aborda estas deficiências", afirma Jonathan Gair, chefe de grupo no departamento de Astrofísica e Relatividade Cosmológica do Instituto Max Planck de Física Gravitacional no Parque Científico de Potsdam.

De facto, o enquadramento de aprendizagem automática caracteriza completamente a fusão de estrelas de neutrões (por exemplo, as suas massas, rotações e localização) em apenas um segundo, sem fazer tais aproximações. Isto permite, entre outras coisas, determinar rapidamente a posição no céu com 30% mais de precisão. Como funciona de forma tão rápida e precisa, a rede neuronal pode fornecer informações críticas para observações conjuntas de detetores de ondas gravitacionais e outros telescópios. Pode ajudar a procurar a luz e outros sinais eletromagnéticos produzidos pela fusão e a fazer o melhor uso possível do dispendioso tempo de observação dos telescópios.

Apanhando uma fusão de estrelas de neutrões em flagrante

"A análise das ondas gravitacionais é particularmente difícil para as estrelas de neutrões binárias, pelo que, para o DINGO-BNS, tivemos de desenvolver várias inovações técnicas. Isto inclui, por exemplo, um método de compressão de dados adaptável a eventos", diz Stephen Green, bolseiro na Universidade de Nottingham. Bernhard Schölkopf, diretor do departamento de Inferência Empírica do Instituto Max Planck para Sistemas Inteligentes, acrescenta: "O nosso estudo mostra a eficácia da combinação de métodos modernos de aprendizagem automática com conhecimentos do domínio físico".

O DINGO-BNS poderá um dia ajudar a observar sinais eletromagnéticos antes e no momento da colisão das duas estrelas de neutrões. "Estas observações multimensageiras precoces poderão fornecer novos conhecimentos sobre o processo de fusão e a subsequente quilonova, que ainda são misteriosos", diz Alessandra Buonanno, diretora do departamento de Astrofísica e Relatividade Cosmológica do Instituto Max Planck de Física Gravitacional.

// Instituto Max Planck (comunicado de imprensa)
// Artigo científico (Nature)

Quer saber mais?

Fusão de estrelas de neutrões:
Wikipedia

Estrela de neutrões:
Wikipedia

Ondas gravitacionais:
GraceDB (Gravitational Wave Candidate Event Database)
Wikipedia
Astronomia de ondas gravitacionais - Wikipedia
Ondas gravitacionais: como distorcem o espaço - Universe Today
Detetores: como funcionam - Universe Today
As fontes de ondas gravitacionais - Universe Today
O que é uma onda gravitacional (YouTube)

Quilonova:
Wikipedia

Astronomia multimensageira:
Wikipedia

LIGO:
Página oficial
Caltech
Advanced LIGO
Wikipedia

Virgo:
EGO
Wikipedia

KAGRA:
Página oficial
Wikipedia