Inteligência artificial consegue classificar supernovas com até 90% de precisão

Uma equipe de astrônomos do Center for Astrophysics em Harvard & Smithsonian desenvolveu uma inteligência artificial capaz de classificar supernovas sem a necessidade de utilizar as tradicionais análises espectrais: em vez disso, o algoritmo trabalha com as características visíveis dessas explosões. Os conjuntos de dados e classificações dos resultados já foram disponibilizados publicamente.

• IA já é mais eficaz do que astrônomos em análises de exoplanetas circumbinários
• Inteligência artificial vai ajudar NASA a analisar dados sobre exoplanetas
• Existência de mais 50 exoplanetas é confirmada contando com machine learning

Para isso, eles desenvolveram um programa que classifica diferentes tipos de supernovas com base nas curvas de luz delas, ou seja, na mudança de brilho que apresentam ao longo do tempo: “temos aproximadamente 2.500 supernovas com curvas de luz obtidas pelo estudo Pan-STARRS1 Medium Deep Survey”, diz Griffin Hosseinzadeh, pesquisador pós-doutorando no CfA e principal autor de um dos dois estudos produzidos. Dessas, 500 delas têm espectros que podem ser utilizados para a classificação. Depois, o classificador foi treinado com este grupo para classificar as supernovas que restaram, cujo espectro não pôde ser observado.

Quando o modelo de machine learning foi treinado para a classificação das supernovas com base nas características visíveis que apresentam, os astrônomos conseguiram classificar dados reais do estudo de 2.315 supernovas, com taxa de precisão de 82% mesmo sem o uso do espectro. Segundo Edo Berger, astrônomo do CfA, a inteligência artificial conseguiu cada vez mais precisão quando recebeu solicitações específicas: “o machine learning procura uma correlação com 500 especificações espectroscópicas, e nós o fizemos comparar as supernovas em diferentes categorias, com cor, taxa de evolução ou brilho”, diz.

Em seguida, o algoritmo foi alimentado com informações já existentes, o que levou a taxa de precisão para níveis entre 80% e 90%. Isso se deve ao fato de que os astrônomos puderam acessar um conjunto de dados extenso o suficiente para treinar o classificador de supernovas baseado na inteligência artificial, de modo que foi possível criar os algoritmos sem precisar usar simulações: “se você faz uma curva de luz simulada, você está presumindo como a supernova seria, e o classificador também vai aprender essas presunções”, explica Hosseinzadeh. É que, nesse caso, o classificador não vai funcionar tão bem com dados reais quando funcionaria com os dados simulados porque a natureza sempre tem algumas surpresas.

Esse projeto tem grandes implicações tanto para dados já produzidos quanto para aqueles que serão obtidos por telescópios no futuro — por exemplo, o observatório chileno Vera C. Rubin deverá ficar pronto em 2023, e irá liderar a descoberta de milhões de novas supernovas e outros tipos de objetos distantes. Assim, os astrofísicos terão novas oportunidades e desafios a enfrentar, já que, embora a taxa de descobertas aumente consideravelmente, os recursos espectroscópicos não irão passar por isso.

Segundo Ashley Villar, autora principal do segundo estudo, a cada 10 mil supernovas descobertas por ano, os cientistas só conseguem dados do espectro de cerca de 10% delas: “isso significa que apenas 0,1% das supernovas descobertas anualmente pelo Observatório Rubin vão receber classificações espectroscópicas”, diz. “Os 99,9% de dados restantes vão ser inúteis sem métodos como o nosso”. Além disso, vale lembrar que os dados do algoritmo serão disponibilizados publicamente, e são um software de uso simples e acessível. "Foi muito importante para nós que esses projetos sejam úteis para toda a comunidade, não só para nosso grupo", finaliza Hosseinzadeh.

Os artigos com os resultados do estudo foram publicados na revista The Astrophysical Journal, e podem ser acessados aqui e aqui.

Fonte: Center for Astrophysics