SHEEP é o novo software de inteligência artificial, desenvolvido por investigadores do Instituto de Astrofísica e Ciências do Espaço, para melhor classificar objetos astronómicos.

26 de maio de 2022 –  A classificação de objetos astronómicos sempre foi um problema. A distâncias quase inimagináveis, por vezes torna-se difícil para os astrofísicos distinguir se estes objetos são estrelas, galáxias, quasares¹, supernovas² ou nebulosas, por exemplo.

“O problema de catalogar objetos astronómicos é muito desafiante, devido à sua quantidade e à complexidade do Universo, mas a inteligência artificial está a revelar-se uma ferramenta muito promissora para a resolução deste problema.”
Andrew Humphrey

Para tentar resolver este problema clássico, os investigadores do Instituto de Astrofísica e Ciências do Espaço (IA³) Pedro Cunha e Andrew Humphrey criaram o SHEEP, um algoritmo de inteligência artificial (machine learning) que determina a natureza dos astros.

Para Pedro Cunha, aluno de doutoramento no IA e no Dep. de Física e Astronomia da Faculdade de Ciências da Universidade do Porto, o primeiro autor do artigo⁴ agora publicado na revista Astronomy & Astrophysics: “Este trabalho nasceu como um projeto paralelo da minha dissertação de mestrado. É a combinação de tudo o que aprendi durante o tempo que passei num projeto único.” Andrew Humphrey, o orientador do mestrado e agora coorientador do doutoramento de Cunha, faz questão de destacar: “Foi espantoso obter um resultado tão interessante, em especial numa dissertação de mestrado!”

O SHEEP é uma pipeline de inteligência artificial supervisionada, que estima desvios para o vermelho⁵ fotométricos⁶ e que mais tarde usa esta informação para classificar objetos astronómicos como galáxias, quasares ou estrelas. Para Cunha: “A informação fotométrica é a mais fácil de obter e por isso é muito importante numa primeira análise à natureza dos objetos observados.”

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

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. Andrew Humphrey (IA & Universidade do Porto) acrescenta: “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.”

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 (ESA) ou o telescópio espacial James Webb (NASA/ESA), vão continuar a fornecer imagens cada vez mais detalhadas. No entanto, devido ao enorme volume de dados, demoraria demasiado tempo a analisá-los através de métodos tradicionais. Estes novos métodos de inteligência artificial serão assim cruciais para analisar e tirar melhor partido desses novos dados.

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

Este trabalho está inserido no esforço da equipa para tirar partido do dilúvio de dados que esses rastreios irão produzir, ao desenvolver sistemas de machine learning que conseguem classificar e caracterizar, de forma eficiente, milhares de milhões de fontes.

Pesquisas fotométricas e espectroscópicas são uma das principais maneiras para 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.

Para o investigador principal do grupo “A história da formação de galáxias resolvida no espaço e no tempo” do IA, Polychronis Papaderos: “O desenvolvimento de avançados algoritmos de inteligência artificial, como o SHEEP, fazem parte da estratégia do IA para a exploração científica de grandes conjuntos de dados de milhares de milhões de galáxias, da missão espacial Euclid, programada para ser lançada em 2023.”

A missão espacial Euclid vai fazer uma cartografia detalhada do Universo, e procurar pistas para a natureza das enigmáticas Energia Escura e Matéria Escura. O IA coordena a participação portuguesa  no Euclid e lidera ou colidera, no consórcio do Euclid, vários grupos de trabalho nas áreas da cosmologia e da astronomia extragaláctica.

Notas

1. Um Quasar é um núcleo de uma galáxia ativa extremamente brilhante e muito distante, formada por um buraco negro supermassivo com um disco de acreção à volta. Ao ser acelerado quase à velocidade da luz, o material do disco aquece por fricção, tornando-se extremamente brilhante. Por estarem muito distantes, quando foram descobertos, estes objetos pareciam estrelas e foram denominados quasi-stellar objects (objetos quase estelares), ou de forma mais curta, simplesmente quas-ars.
2. Uma Supernova é uma explosão estelar. Pode resultar do fim da vida de uma estrela de grande massa (tipo II) ou da acreção de matéria de uma estrela gigante por uma estrela anã, até que esta atinge massa crítica (tipo Ia). Estas explosões são tão intensas que, durante algumas semanas, o seu brilho é equivalente à totalidade do brilho da galáxia que a alberga.
   
3. O Instituto de Astrofísica e Ciências do Espaço é a instituição de referência na área em Portugal, integrando investigadores da Universidade de Lisboa, Universidade de Coimbra e Universidade do Porto, e englobando a maioria da produção científica nacional na área. Foi avaliado como “Excelente” na última avaliação de unidades de investigação e desenvolvimento organizada pela Fundação para a Ciência e Tecnologia (FCT). A atividade do IA é financiada por fundos nacionais e internacionais, incluindo pela FCT/MCES (UIDB/04434/2020 e UIDP/04434/2020).
4. O artigo “Photometric redshift-aided classification using ensemble learning”, foi publicado online este mês na revista Astronomy & Astrophysics (DOI: 10.1051/0004-6361/202243135).
5. O Desvio para o Vermelho é o aumento no comprimento de onda da luz, que resulta do afastamento de um objeto em relação a nós. Esta alteração de comprimento de onda, na parte visível do espectro eletromagnético, traduz-se num desvio da cor para o lado vermelho do espectro, isto é, um “desvio para o vermelho”. O desvio para o vermelho de um objeto astronómico pode ser usado para determinar a sua distância.
6. A Fotometria é uma técnica de medição da intensidade da luz emitida por um objeto astronómico.

Contactos
Pedro Cunha; Andrew Humphrey

Grupo de Comunicação de Ciência
Ricardo Cardoso Reis; Sérgio Pereira; Filipe Pires (coordenação, Porto); João Retrê (coordenação, Lisboa)