Em um avanço que pode redefinir a forma como a ciência observa o universo, pesquisadores da divisão de Ciências Espaciais do Centro de Aplicações Espaciais da Organização Indiana de Pesquisa Espacial (ISRO) demonstraram que algoritmos de inteligência artificial são capazes de inferir a forma de objetos que orbitam estrelas a partir de um sinal aparentemente simples: a variação de brilho estelar ao longo do tempo.

O estudo, intitulado “Beyond Spherical Geometry: Unraveling Complex Features of Objects Orbiting Around Stars from Its Transit Light Curve Using Deep Learning”, foi conduzido por Ushasi Bhowmick e Shivam Kumaran, e propõe uma abordagem inovadora para um problema clássico da astrofísica: como reconstruir a geometria de um corpo celeste a partir de sua “curva de trânsito” — o padrão de escurecimento da estrela quando um objeto passa à sua frente.

“A curva de luz é, essencialmente, uma projeção unidimensional de um objeto tridimensional”, explicam os autores. “Isso torna o problema intrinsecamente ambíguo, já que diferentes formas podem produzir sinais idênticos.”

Apesar dessa limitação fundamental — conhecida na literatura como problema “mal posto” — o estudo demonstra que, com o uso de redes neurais profundas, é possível recuperar parte significativa das características geométricas desses objetos, especialmente aquelas associadas às suas formas globais.

Desde o lançamento de missões como Kepler e TESS, que juntas já identificaram mais de 6 mil exoplanetas entre mais de 15 mil candidatos, a análise de curvas de luz tornou-se uma das principais ferramentas da astronomia moderna.

Historicamente, esse tipo de análise permitia estimar parâmetros como tamanho, órbita e, em alguns casos, composição atmosférica. Agora, com o uso de inteligência artificial, o alcance se amplia.

No experimento, os pesquisadores criaram uma biblioteca com 30 mil formas bidimensionais aleatórias, simulando desde objetos simples — como esferas — até estruturas altamente irregulares, semelhantes a asteroides ou detritos espaciais. Cada forma foi convertida em uma curva de luz por meio do simulador Yuti, desenvolvido pelos próprios autores.

Esses dados alimentaram redes neurais treinadas para “aprender” a relação inversa: a partir da curva de luz, prever os parâmetros matemáticos que descrevem a forma do objeto.

Os resultados indicam que a inteligência artificial consegue reconstruir com alta precisão os aspectos mais gerais da geometria dos objetos, como tamanho, alongamento e orientação.

Para os chamados coeficientes de primeira ordem — que descrevem uma “elipse efetiva” da forma — os modelos alcançaram níveis de correlação superiores a 0,96, com margens de erro inferiores a 3%.

“Isso mostra que a excentricidade e a anisotropia global de um objeto estão claramente codificadas na curva de luz”, afirmam os autores.

No entanto, à medida que se avança para detalhes mais finos — como irregularidades, concavidades ou estruturas complexas — a capacidade de reconstrução diminui significativamente.

Em termos práticos, isso significa que a inteligência artificial pode distinguir, por exemplo, entre um planeta esférico e um corpo alongado ou deformado, mas ainda encontra limitações para reconstruir detalhes mais intrincados.

Parte dessas limitações não está na tecnologia, mas na própria natureza do problema. Como a curva de luz resulta de uma projeção, diferentes formas podem gerar sinais indistinguíveis — um fenômeno conhecido como degenerescência.

O estudo mostra, por exemplo, que formas espelhadas ao longo de um eixo produzem curvas idênticas, impossibilitando a distinção entre elas apenas com base no sinal luminoso.

Além disso, estruturas côncavas — como cavidades ou reentrâncias — tendem a ser “invisíveis” na curva de luz, sendo frequentemente interpretadas como formas convexas equivalentes.

“Há uma limitação fundamental na quantidade de informação geométrica que pode ser recuperada”, concluem os pesquisadores.

Apesar das restrições, o avanço é considerado significativo. A capacidade de extrair informações geométricas diretamente de curvas de luz pode ter implicações importantes em diversas áreas da astrofísica.

Entre elas, a caracterização de exoplanetas com formas não esféricas — como aqueles sujeitos a fortes forças de maré —, a identificação de anéis planetários, discos de detritos e até a detecção de objetos artificiais em órbita.

A técnica também pode ser aplicada ao monitoramento de detritos espaciais próximos à Terra, um problema crescente na era da exploração orbital intensiva.

Além disso, o estudo reforça uma tendência mais ampla: o uso crescente de inteligência artificial para resolver problemas clássicos da ciência, especialmente aqueles envolvendo grandes volumes de dados e relações complexas.

Para os autores, o principal mérito do trabalho está em demonstrar que, mesmo diante de limitações teóricas, há espaço para avanços significativos na extração de informação a partir de dados observacionais.

“A rede neural aprende apenas aquilo que sobrevive à projeção”, afirmam. “E isso, por si só, já revela quais características são, em princípio, detectáveis no universo.”

Em um campo onde cada fóton conta, a capacidade de extrair mais informação da luz pode significar a diferença entre ver um ponto no céu — ou compreender, em detalhes, o que realmente está por trás dele.