Muitas questões científicas atuais e emocionantes que os astrônomos estão tentando responder exigem que eles coletem grandes amostras de diferentes eventos cósmicos. Como resultado, os observatórios astronómicos modernos tornaram-se máquinas implacáveis de geração de dados que lançam milhares de alertas e imagens aos astrónomos todas as noites.
Usando um algoritmo de aprendizado de máquina, astrônomos da colaboração Zwicky Transient Facility em Caltech classificou com sucesso 1000 supernovas de forma autônoma. O algoritmo foi aplicado a dados capturados pelo Zwicky Transient Facility, ou ZTF, um instrumento de pesquisa do céu baseado no Observatório Palomar da Caltech.
Todas as noites, a ZTF analisa o céu noturno em busca de alterações conhecidas como eventos transitórios. Isto cobre tudo, desde asteróides em movimento até estrelas recentemente devoradas por buracos negros à explosão de estrelas chamadas supernovas. A ZTF notifica os astrónomos de todo o mundo sobre estes fenómenos transitórios, enviando centenas de milhares de sinais todas as noites.
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.
Matthew Graham, cientista do projeto da ZTF e professor pesquisador de astronomia na Caltech, disse: “A noção tradicional de um astrônomo sentado no observatório e examinando imagens do telescópio carrega muito romantismo, mas está se afastando da realidade.”
Usando algoritmos de aprendizado de máquina, os astrônomos desenvolveram o SNIascore para classificar os candidatos supernovas. O SNIascore pode classificar o que é conhecido como supernovas do Tipo Ia, ou “velas padrão” no céu. Estas estrelas moribundas explodem com uma explosão termonuclear de força consistente.
Os cientistas estão agora a trabalhar na extensão das capacidades do algoritmo para classificar outros tipos de supernovas num futuro próximo.
Christoffer Fremling, astrônomo da Caltech e o cérebro por trás do novo algoritmo, apelidado de SNIascore, disse: “Precisávamos de ajuda e sabíamos que, assim que treinássemos nossos computadores para fazer o trabalho, eles aliviariam um grande fardo. A SNIascore classificou a sua primeira supernova em abril de 2021 e, um ano e meio depois, estamos a atingir um belo marco de 1,000 supernovas.”
“O SNIascore é extremamente preciso. Após 1,000 supernovas, vimos o desempenho do algoritmo no mundo real. Não encontramos nenhum evento classificado incorretamente desde o lançamento em abril de 2021 e estamos planejando implementar o mesmo algoritmo com outras instalações de observação.”
Ashish Mahabal, que lidera atividades de aprendizado de máquina para a ZTF e atua como principal cientista computacional e de dados no Center for Data-Driven Discovery da Caltech, acrescenta: “Este trabalho demonstra bem como aprendizado de máquina as aplicações estão amadurecendo na astronomia quase em tempo real.
Ashish Mahabal, cientista computacional do Center for Data-Driven Discovery da Caltech que lidera atividades de aprendizado de máquina para ZTF, dito, “O SNIascore se baseia em outros algoritmos e camadas de aprendizado de máquina subjacentes que desenvolvemos para ZTF e demonstra bem como os aplicativos de aprendizado de máquina estão amadurecendo na astronomia quase em tempo real.”
