Tecnologia Científica
Avanço da IA ajuda astrônomos a identificar eventos cósmicos com apenas alguns exemplos
Um novo estudo coliderado pela Universidade de Oxford e pelo Google Cloud mostrou como a IA de uso geral pode classificar com precisão mudanças reais no céu noturno — como uma estrela explodindo, um buraco negro destruindo uma estrela passageira...
Por
Oxford - 11/10/2025
Imagem capturada pelo Telescópio Espacial Hubble da NASA dos restos de uma supernova Tipo Ia em uma galáxia vizinha chamada Grande Nuvem de Magalhães, a 160.000 anos-luz da Terra. Crédito: NASA Goddard.
Um novo estudo coliderado pela Universidade de Oxford e pelo Google Cloud mostrou como a IA de uso geral pode classificar com precisão mudanças reais no céu noturno — como uma estrela explodindo, um buraco negro destruindo uma estrela passageira ou um asteroide em movimento rápido — e explicar seu raciocínio, sem a necessidade de treinamento complexo.
Publicado hoje na Nature Astronomy , o estudo realizado por pesquisadores da Universidade de Oxford, Google Cloud e Radboud University demonstra que um modelo de linguagem grande (LLM) de uso geral – neste caso, o Gemini do Google – pode ser transformado em um assistente especializado em astronomia com orientação mínima.
Usando apenas 15 imagens de exemplo e um conjunto simples de instruções, a Gemini aprendeu a distinguir eventos cósmicos reais de artefatos de imagem com aproximadamente 93% de precisão. Fundamentalmente, a IA também forneceu uma explicação em inglês simples para cada classificação – um passo importante para tornar a ciência orientada por IA mais transparente e confiável, e para a construção de ferramentas acessíveis que não exigem enormes conjuntos de dados de treinamento ou profundo conhecimento em programação de IA.
"Para alguém sem formação formal em astronomia, esta pesquisa é incrivelmente empolgante", disse Turan Bulmus, coautor principal do Google Cloud. "Ela demonstra como os LLMs de uso geral podem democratizar a descoberta científica, capacitando qualquer pessoa curiosa a contribuir significativamente para áreas nas quais talvez não tenha formação tradicional. É uma prova do poder da IA ??acessível para quebrar barreiras na pesquisa científica."
Sinais raros em um universo de ruído
"É impressionante que um punhado de exemplos e instruções em texto claro consigam tamanha precisão. Isso possibilita que uma ampla gama de cientistas desenvolvam seus próprios classificadores sem profundo conhecimento em treinamento de redes neurais – apenas a vontade de criar um."
Coautor principal Dr. Fiorenzo Stoppa , Departamento de Física, Universidade de Oxford
Telescópios modernos varrem o céu incansavelmente, gerando milhões de alertas todas as noites sobre possíveis mudanças. Embora algumas dessas descobertas sejam genuínas, como estrelas explodindo, a grande maioria são sinais "falsos" causados por rastros de satélite, raios cósmicos ou outros artefatos instrumentais.
Tradicionalmente, os astrônomos se baseavam em modelos especializados de aprendizado de máquina para filtrar esses dados. No entanto, esses sistemas frequentemente operam como uma "caixa preta", fornecendo um simples rótulo de "real" ou "falso" sem explicar sua lógica. Isso força os cientistas a confiar cegamente nos resultados ou a gastar incontáveis horas verificando manualmente milhares de candidatos — uma tarefa que se tornará impossível com a próxima geração de telescópios, como o Observatório Vera C. Rubin, que produzirá cerca de 20 terabytes de dados a cada 24 horas.
A equipe de pesquisa fez uma pergunta simples: uma IA multimodal de propósito geral como a Gemini, projetada para entender texto e imagens juntos, poderia não apenas corresponder à precisão de modelos especializados, mas também explicar o que vê?
A equipe forneceu ao LLM apenas 15 exemplos rotulados para cada um dos três principais levantamentos do céu (ATLAS, MeerLICHT e Pan-STARRS). Cada exemplo incluía uma pequena imagem de um novo alerta, uma imagem de referência do mesmo trecho de céu e uma imagem de "diferença" destacando a mudança, juntamente com uma breve nota do especialista. Guiado apenas por esses poucos exemplos e instruções concisas, o modelo classificou milhares de novos alertas, fornecendo um rótulo (real/falso), uma pontuação de prioridade e uma descrição curta e legível de sua decisão.
Exemplos de imagens transientes de entrada (Nova, Referência e Diferença) com as saídas de classificação correspondentes do Gemini, explicações detalhadas e pontuações de interesse. Crédito: Stoppa & Bulmus et al., Nature Astronomy (2025).
Um humano no circuito: uma IA que sabe quando pedir ajuda
Um componente fundamental do estudo foi verificar a qualidade e a utilidade das explicações da IA. A equipe reuniu um painel de 12 astrônomos para revisar as descrições da IA, que as classificaram como altamente coerentes e úteis.
"Tenho trabalhado neste problema de processamento rápido de dados de levantamentos celestes por mais de 10 anos, e somos constantemente atormentados pela tarefa de separar os eventos reais dos sinais falsos no processamento de dados... A precisão do LLM em reconhecer fontes com orientação mínima, em vez de treinamento específico para a tarefa, foi notável. Se conseguirmos projetar isso para escalar, poderá ser uma mudança radical para a área, mais um exemplo de IA possibilitando descobertas científicas."
Coautor Professor Stephen Smartt , Departamento de Física, Universidade de Oxford
Além disso, em um teste paralelo, a equipe fez com que o Gemini revisasse suas próprias respostas e atribuísse uma "pontuação de coerência" a cada uma. Eles descobriram que a confiança do modelo era um indicador poderoso de sua precisão: resultados com baixa coerência tinham muito mais probabilidade de estar incorretos. Essa capacidade de autoavaliação é fundamental para a construção de um fluxo de trabalho confiável com "intervenção humana". Ao sinalizar automaticamente seus próprios casos incertos para revisão humana, o sistema pode concentrar a atenção dos astrônomos onde ela é mais necessária. Usando esse ciclo de autocorreção para refinar os exemplos iniciais, a equipe melhorou o desempenho do modelo em um conjunto de dados de ~93,4% para ~96,7%, demonstrando como o sistema pode aprender e melhorar em parceria com especialistas humanos.
Esperando ansiosamente
A equipe imagina essa tecnologia como a base para "assistentes agentes" autônomos na ciência. Tais sistemas poderiam fazer muito mais do que classificar uma única imagem; eles poderiam integrar múltiplas fontes de dados (como imagens e medições de brilho), verificar sua própria confiabilidade, solicitar observações de acompanhamento de telescópios robóticos de forma autônoma e encaminhar apenas as descobertas mais promissoras e incomuns para cientistas humanos.
Como o método requer apenas um pequeno conjunto de exemplos e instruções em linguagem simples, ele pode ser rapidamente adaptado para novos instrumentos científicos, pesquisas e objetivos de pesquisa em diferentes campos.
"Estamos entrando em uma era em que a descoberta científica é acelerada não por algoritmos de caixa-preta, mas por parceiros de IA transparentes", disse Turan Bulmus, coautor principal do Google Cloud. "Este trabalho mostra um caminho para sistemas que aprendem conosco, explicam seu raciocínio e capacitam pesquisadores em qualquer área a se concentrarem no que mais importa: fazer a próxima grande pergunta."
O estudo 'Interpretação textual de classificações de imagens transitórias de grandes modelos de linguagem' foi publicado na Nature Astronomy .
Para mais informações sobre esta história ou para republicar este conteúdo, entre em contato com news.office@admin.ox.ac.uk
