Tecnologia Científica

Ferramentas de aprendizado de máquina classificam autonomamente 1.000 supernovas
Astrônomos da Caltech usaram um algoritmo de aprendizado de máquina para classificar 1.000 supernovas de forma totalmente autônoma. O algoritmo foi aplicado aos dados capturados pelo Zwicky Transient Facility, ou ZTF, um instrumento de pesquisa...
Por Whitney Clavin - 23/11/2022


O algoritmo ajuda os astrônomos a filtrar as descobertas do Zwicky Transient Facility. Crédito: Instituto de Tecnologia da Califórnia

Astrônomos da Caltech usaram um algoritmo de aprendizado de máquina para classificar 1.000 supernovas de forma totalmente autônoma. O algoritmo foi aplicado aos dados capturados pelo Zwicky Transient Facility, ou ZTF, um instrumento de pesquisa do céu baseado no Palomar Observatory da Caltech.

"Precisávamos de uma mão amiga e sabíamos que, uma vez que treinássemos nossos computadores para fazer o trabalho, eles tirariam uma grande carga de nossas costas", diz Christoffer Fremling, astrônomo da Caltech e idealizador do novo algoritmo , apelidado de SNIascore . “O SNIascore classificou sua primeira supernova em abril de 2021 e, um ano e meio depois, estamos atingindo um belo marco de 1.000 supernovas”.

O ZTF verifica os céus noturnos todas as noites para procurar mudanças chamadas de eventos transitórios. Isso inclui tudo, desde asteróides em movimento até buracos negros que acabaram de devorar estrelas até estrelas explosivas conhecidas como supernovas. A ZTF envia centenas de milhares de alertas por noite para astrônomos de todo o mundo, notificando-os sobre esses eventos transitórios. Os astrônomos então usam outros telescópios para acompanhar e investigar a natureza dos objetos em mudança. Até agora, os dados da ZTF levaram à descoberta de milhares de supernovas.

Mas com uma quantidade implacável de dados chegando todas as noites, os membros da equipe ZTF não podem classificar todos os dados por conta própria.

"A noção tradicional de um astrônomo sentado no observatório e examinando as imagens do telescópio carrega muito romantismo, mas está se afastando da realidade", diz Matthew Graham, cientista do projeto da ZTF e professor pesquisador de astronomia na Caltech.

Em vez disso, a equipe desenvolveu algoritmos de aprendizado de máquina para auxiliar nas buscas. Eles desenvolveram o SNIascore para a tarefa de classificar supernovas candidatas. As supernovas vêm em duas grandes classes: Tipo I e Tipo II. As supernovas do Tipo I são desprovidas de hidrogênio, enquanto as supernovas do Tipo II são ricas em hidrogênio. A supernova tipo I mais comum ocorre quando uma estrela massiva rouba matéria de uma estrela vizinha, o que desencadeia uma explosão termonuclear. Uma supernova tipo II ocorre quando uma estrela massiva colapsa sob sua própria gravidade.

Atualmente, o SNIascore pode classificar o que é conhecido como supernovas do Tipo Ia, ou as "velas padrão" no céu. Estas são estrelas moribundas que explodem com uma explosão termonuclear de força consistente. As supernovas do tipo Ia permitem aos astrônomos medir a taxa de expansão do universo. Fremling e seus colegas estão trabalhando atualmente para estender as capacidades do algoritmo para classificar outros tipos de supernovas em um futuro próximo.

Todas as noites, depois que a ZTF captura flashes no céu que podem ser supernovas, ela envia os dados para um espectrógrafo em Palomar que está alojado em uma cúpula a apenas algumas centenas de metros de distância, chamada SEDM (Spectral Energy Distribution Machine). O SNIascore trabalha com o SEDM para classificar quais supernovas são provavelmente do Tipo Ia. O resultado é que a equipe da ZTF está construindo rapidamente um conjunto de dados mais confiável de supernovas para os astrônomos investigarem mais e, finalmente, aprenderem sobre a física das poderosas explosões estelares.

"O SNIascore é extremamente preciso. Depois de 1.000 supernovas , vimos como o algoritmo funciona no mundo real", diz Fremling. “Não encontramos eventos claramente mal classificados desde o lançamento em abril de 2021 e agora estamos planejando implementar o mesmo algoritmo com outras instalações de observação”.

Ashish Mahabal, que lidera as atividades de aprendizado de máquina para a ZTF e atua como principal cientista computacional e de dados no Centro de Descoberta Orientada por Dados da Caltech, acrescenta: "Este trabalho demonstra bem como os aplicativos de aprendizado de máquina estão amadurecendo na astronomia quase em tempo real".


Fornecido pelo Instituto de Tecnologia da Califórnia 

 

.
.

Leia mais a seguir