Um telescópio do ASAS-SN que ajuda os astrónomos a descobrir novas estrelas.
Crédito: ASAS-SN
De acordo com um novo artigo científico, astrónomos da Universidade Estatal do Ohio identificaram cerca de 116.000 novas estrelas variáveis.
Estes corpos celestes foram encontrados pelo levantamento ASAS-SN (All-Sky Automated Survey for Supernovae), uma rede de 20 telescópios espalhados por todo o mundo que pode observar todo o céu cerca de 50.000 vezes mais profundamente do que o olho humano. Os investigadores da universidade acima mencionada operam o projeto há quase uma década.
Agora, num artigo publicado no site de pré-impressão arXiv, os investigadores descrevem como utilizaram técnicas de aprendizagem de máquina para identificar e classificar estrelas variáveis - objetos celestes cujo brilho aumenta e diminui com o tempo, especialmente se observados a partir da nossa perspetiva da Terra.
As alterações que estas estrelas sofrem podem revelar informações importantes sobre a sua massa, raio, temperatura e mesmo a sua composição. De facto, até o nosso Sol é considerado uma estrela variável. Levantamentos como o ASAS-SN são uma ferramenta especialmente importante para encontrar sistemas que possam revelar as complexidades dos processos estelares, disse Collin Christy, o autor principal do artigo e analista do ASAS-SN na Universidade Estatal do Ohio.
"As estrelas variáveis são como um laboratório estelar," disse. "São lugares realmente engraçados no Universo onde podemos estudar e aprender mais sobre como funcionam realmente as estrelas e sobre as pequenas complexidades que têm."
Mas para localizar mais destas entidades elusivas, a equipa teve primeiro que ir buscar dados anteriormente não utilizados do projeto. Durante anos, o ASAS-SN olhou para o céu utilizando filtros de banda V, lentes óticas que só conseguem identificar estrelas cuja luz cai no espectro de cores visíveis a olho nu. Mas em 2018, o projeto passou a utilizar filtros de banda g - lentes que podem detetar mais variedades de luz azul - e a rede passou de poder observar cerca de 60 milhões de estrelas de cada vez para mais de 100 milhões.
Mas ao contrário da campanha de ciência cidadã do ASAS-SN, que depende de voluntários para filtrar e classificar dados astronómicos, o estudo de Christy exigiu a ajuda da inteligência artificial.
"Se se quiser olhar para milhões de estrelas, é impossível que alguns humanos o façam sozinhos. Vai levar uma eternidade," disse Tharindu Jayasinghe, coautor do artigo, estudante de doutoramento em astronomia e bolseiro na mesma universidade. "Por isso tivemos de trazer algo criativo para a mistura, como técnicas de aprendizagem de máquina."
O novo estudo centrou-se em dados do Gaia, uma missão para traçar um mapa tridimensional da nossa Galáxia, bem como em dados do 2MASS e AllWISE. A equipa de Christy usou um algoritmo de aprendizagem de máquina para gerar uma lista de 1,5 milhões de estrelas variáveis candidatas a partir de um catálogo de 55 milhões de estrelas isoladas.
Posteriormente, os investigadores reduziram ainda mais o número de candidatas. Das 1,5 milhões de estrelas que estudaram, quase 400.000 revelaram-se estrelas variáveis verdadeiras. Mais de metade já eram conhecidas da comunidade astronómica, mas 116.027 delas revelaram-se ser novas descobertas.
Embora o estudo precisasse de aprendizagem de máquina para ser concluído, a equipa de Christy diz que ainda há um papel para os cientistas cidadãos. De facto, os voluntários da campanha de ciência cidadã já começaram a identificar dados de lixo, disse. "Ter pessoas a dizer-nos quão maus os nossos dados são é deveras útil, porque inicialmente, o algoritmo olharia para os dados maus e tentaria fazer sentido dos mesmos," disse Christy.
Mas a utilização de um conjunto de treino de todos estes dados maus permite à equipa modificar e melhorar o desempenho global do seu algoritmo. "Esta é a primeira vez que estamos realmente a combinar a ciência cidadã com técnicas de aprendizagem de máquina no campo da astronomia das estrelas variáveis," disse Jayasinghe. "Estamos a expandir os limites do que se pode fazer quando estes dois se juntam."
|
