Catalogar objetos astronómicos é uma tarefa deveras desafiante, devido à quantidade de objetos e à complexidade do Universo, mas a inteligência artificial está a revelar-se uma ferramenta muito promissora para a resolução deste problema.

Assim pensam os investigadores do Instituto de Astrofísica e Ciências do Espaço Pedro Cunha e Andrew Humphrey que criaram o SHEEP, um algoritmo de inteligência artificial (machine learning) que identifica a natureza dos astros.

O SHEEP é uma pipeline de inteligência artificial supervisionada, que estima desvios para o vermelho fotométricos e que mais tarde usa esta informação para classificar objetos astronómicos como galáxias, quasares ou estrelas.

“A informação fotométrica é a mais fácil de obter e por isso é muito importante numa primeira análise à natureza dos objetos observados”, refere Pedro Cunha, aluno de doutoramento no IA e no Departamento de Física e Astronomia da Faculdade de Ciências da Universidade do Porto, o primeiro autor do artigo agora publicado na revista Astonomy & Astrophysics.

Uma das novidades do processo é que, antes de iniciar a classificação, o SHEEP primeiro estima desvios para o vermelho fotométricos, informação que é adicionada aos dados, como uma característica adicional para a aprendizagem do modelo de classificação, explica o Instituto de Astrofísica e Ciências do Espaço em comunicado.

A equipa descobriu que, ao incluir estes dados junto com as coordenadas (ascensão reta e declinação) dos objetos, a inteligência artificial era capaz de percecionar o Universo em 3D e usar esse conhecimento, em paralelo com informação de cor, para fazer estimativas mais precisas das propriedades dos objetos. Por exemplo, o algoritmo aprendeu que há uma maior probabilidade de encontrar estrelas mais perto do plano da Via Láctea do que nos polos galácticos.

“Quando demos à inteligência artificial uma visão tridimensional do Universo, aumentámos bastante a sua habilidade para decidir, de forma mais precisa, que tipo de objeto celeste é que estava a catalogar”, acrescenta Andrew Humphrey.

Vários rastreios do céu, como o Sloan Digital Sky Survey (SDSS), produziram enormes quantidade de dados que revolucionaram a área da astronomia e rastreios futuros, que serão levados a cabo por instrumentos como o Observatório Vera C. Rubin , o Dark Energy Spectroscopic Instrument (DESI), a missão espacial Euclid ou o telescópio espacial James Webb vão continuar a fornecer imagens cada vez mais detalhadas.

Clique nas imagens para mais detalhes

Devido à sua enorme quantidade, demoraria demasiado tempo a analisar esses dados através de métodos tradicionais. Os novos métodos de inteligência artificial são considerados cruciais para analisar e tirar melhor partido desses novos dados.

Este trabalho integra o esforço da equipa para tirar partido do manancial de informação que esses rastreios irão produzir, ao desenvolver sistemas de machine learning que conseguem classificar e caracterizar milhares de milhões de fontes, de forma eficiente.

“Uma das coisas mais excitantes é ver como este algoritmo nos está a ajudar a compreender melhor o Universo”, diz Pedro Cunha. “O nosso método indicou-nos um caminho possível, com novos a serem criados durante o processo. É uma era excitante para a astronomia”.

Pesquisas fotométricas e espectroscópicas são uma das principais formas de compreendermos o conteúdo visível do Universo. Os dados destes rastreios permitem estudos estatísticos de estrelas, quasares e galáxias, além da descoberta de objetos astronómicos mais peculiares.