As lentes gravitacionais são uma ferramenta importante para os astrônomos que buscam estudar os objetos mais distantes do Universo. Essa técnica envolve o uso de um aglomerado maciço de matéria (geralmente uma galáxia ou aglomerado) entre uma fonte de luz distante e um observador para ver melhor a luz proveniente dessa fonte. Em um efeito previsto pela Teoria da Relatividade Geral de Einstein, isso permite que os astrônomos vejam objetos que, de outra forma, poderiam ser obscurecidos.
Recentemente, um grupo de astrônomos europeus desenvolveu um método para encontrar lentes gravitacionais em enormes pilhas de dados. Usando os mesmos algoritmos de inteligência artificial que Google, Facebook e Tesla usaram para seus propósitos, eles foram capazes de encontrar 56 novos candidatos a lentes gravitacionais em uma enorme pesquisa astronômica. Este método poderia eliminar a necessidade de os astrônomos realizarem inspeções visuais de imagens astronômicas.
O estudo que descreve sua pesquisa, intitulado “Encontrando lentes gravitacionais fortes na Pesquisa de Grau de Quilo com Redes Neurais Convolucionais”, apareceu recentemente no Avisos mensais da Royal Astronomical Society. Liderada por Carlo Enrico Petrillo, do Instituto Astronômico Kapteyn, a equipe também incluiu membros do Instituto Nacional de Astrofísica (INAF), do Instituto Argelander de Astronomia (AIfA) e da Universidade de Nápoles.
Embora úteis para os astrônomos, as lentes gravitacionais são difíceis de encontrar. Normalmente, isso consistiria em astrônomos separando milhares de imagens capturadas por telescópios e observatórios. Embora as instituições acadêmicas possam contar com astrônomos amadores e cidadãos como nunca antes, não há como acompanhar milhões de imagens que são capturadas regularmente por instrumentos em todo o mundo.
Para resolver isso, o Dr. Petrillo e seus colegas se voltaram para o que é conhecido como "Redes Neurais Convulucionais" (CNN), um tipo de algoritmo de aprendizado de máquina que extrai dados para padrões específicos. Enquanto o Google usou essas mesmas redes neurais para vencer uma partida do Go contra o campeão mundial, o Facebook as usa para reconhecer coisas nas imagens postadas em seu site, e a Tesla as usa para desenvolver carros autônomos.
Como Petrillo explicou em um artigo de imprensa recente da Escola Holandesa de Pesquisa em Astronomia:
“É a primeira vez que uma rede neural convolucional é usada para encontrar objetos peculiares em uma pesquisa astronômica. Penso que se tornará a norma, uma vez que futuras pesquisas astronômicas produzirão uma enorme quantidade de dados que serão necessários para inspecionar. Não temos astrônomos suficientes para lidar com isso. "
A equipe aplicou essas redes neurais aos dados derivados da Pesquisa de Kilo-Degree (KiDS). Este projeto conta com o VLT Survey Telescope (VST) no Observatório Paranal do ESO, no Chile, para mapear 1500 graus quadrados do céu noturno do sul. Esse conjunto de dados consistiu em 21.789 imagens coloridas coletadas pelo OmegaCAM do VST, um instrumento multibanda desenvolvido por um consórcio de cientistas europeus em conjunto com o ESO.
Todas essas imagens continham exemplos de galáxias vermelhas luminosas (LRGs), três das quais se sabe serem lentes gravitacionais. Inicialmente, a rede neural encontrou 761 candidatos a lentes gravitacionais nesta amostra. Depois de inspecionar visualmente esses candidatos, a equipe conseguiu reduzir a lista para 56 lentes. Isso ainda precisa ser confirmado por telescópios espaciais no futuro, mas os resultados foram bastante positivos.
Como indicam em seu estudo, essa rede neural, quando aplicada a conjuntos de dados maiores, poderia revelar centenas ou até milhares de novas lentes:
“Uma estimativa conservadora baseada em nossos resultados mostra que, com o método proposto, deve ser possível encontrar 100 lentes de galáxia LRG maciças a z ~> 0,4 no KiDS quando concluídas. No cenário mais otimista, esse número pode aumentar consideravelmente (para no máximo 2400 lentes), ao ampliar a seleção de magnitude de cor e treinar a CNN a reconhecer sistemas menores de lentes de separação de imagens. ”
Além disso, a rede neural redescobriu duas das lentes conhecidas no conjunto de dados, mas perdeu a terceira. No entanto, isso ocorreu devido ao fato de que essa lente era particularmente pequena e a rede neural não foi treinada para detectar lentes desse tamanho. No futuro, os pesquisadores esperam corrigir isso treinando sua rede neural para perceber lentes menores e rejeitar falsos positivos.
Mas é claro que o objetivo final aqui é remover completamente a necessidade de inspeção visual. Ao fazer isso, os astrônomos ficariam livres de ter que fazer um trabalho pesado e poderiam dedicar mais tempo ao processo de descoberta. Da mesma forma, algoritmos de aprendizado de máquina podem ser usados para pesquisar dados astronômicos em busca de sinais de ondas gravitacionais e exoplanetas.
Assim como outras indústrias buscam entender os terabytes de consumidor ou outros tipos de “big data”, a astrofísica e a cosmologia de campo podem depender da inteligência artificial para encontrar os padrões em um universo de dados brutos. E o retorno provavelmente não passará de um processo acelerado de descoberta.
