Astrónomos identificam 116.000 novas estrelas variáveis

De acordo com um novo artigo científico, astrónomos da Universidade Estatal do Ohio identificaram cerca de 116.000 novas estrelas variáveis.

Estes corpos celestes foram encontrados pelo levantamento ASAS-SN (All-Sky Automated Survey for Supernovae), uma rede de 20 telescópios espalhados por todo o mundo que pode observar todo o céu cerca de 50.000 vezes mais profundamente do que o olho humano. Os investigadores da universidade acima mencionada operam o projeto há quase uma década.

Agora, num artigo publicado no site de pré-impressão arXiv, os investigadores descrevem como utilizaram técnicas de aprendizagem de máquina para identificar e classificar estrelas variáveis – objetos celestes cujo brilho aumenta e diminui com o tempo, especialmente se observados a partir da nossa perspetiva da Terra.

As alterações que estas estrelas sofrem podem revelar informações importantes sobre a sua massa, raio, temperatura e mesmo a sua composição. De facto, até o nosso Sol é considerado uma estrela variável. Levantamentos como o ASAS-SN são uma ferramenta especialmente importante para encontrar sistemas que possam revelar as complexidades dos processos estelares, disse Collin Christy, o autor principal do artigo e analista do ASAS-SN na Universidade Estatal do Ohio.

“As estrelas variáveis são como um laboratório estelar,” disse. “São lugares realmente engraçados no Universo onde podemos estudar e aprender mais sobre como funcionam realmente as estrelas e sobre as pequenas complexidades que têm.”

Mas para localizar mais destas entidades elusivas, a equipa teve primeiro que ir buscar dados anteriormente não utilizados do projeto. Durante anos, o ASAS-SN olhou para o céu utilizando filtros de banda V, lentes óticas que só conseguem identificar estrelas cuja luz cai no espectro de cores visíveis a olho nu. Mas em 2018, o projeto passou a utilizar filtros de banda g – lentes que podem detetar mais variedades de luz azul – e a rede passou de poder observar cerca de 60 milhões de estrelas de cada vez para mais de 100 milhões.

Mas ao contrário da campanha de ciência cidadã do ASAS-SN, que depende de voluntários para filtrar e classificar dados astronómicos, o estudo de Christy exigiu a ajuda da inteligência artificial.

“Se se quiser olhar para milhões de estrelas, é impossível que alguns humanos o façam sozinhos. Vai levar uma eternidade,” disse Tharindu Jayasinghe, coautor do artigo, estudante de doutoramento em astronomia e bolseiro na mesma universidade. “Por isso tivemos de trazer algo criativo para a mistura, como técnicas de aprendizagem de máquina.”

O novo estudo centrou-se em dados do Gaia, uma missão para traçar um mapa tridimensional da nossa Galáxia, bem como em dados do 2MASS e AllWISE. A equipa de Christy usou um algoritmo de aprendizagem de máquina para gerar uma lista de 1,5 milhões de estrelas variáveis candidatas a partir de um catálogo de 55 milhões de estrelas isoladas.

Posteriormente, os investigadores reduziram ainda mais o número de candidatas. Das 1,5 milhões de estrelas que estudaram, quase 400.000 revelaram-se estrelas variáveis verdadeiras. Mais de metade já eram conhecidas da comunidade astronómica, mas 116.027 delas revelaram-se ser novas descobertas.

Embora o estudo precisasse de aprendizagem de máquina para ser concluído, a equipa de Christy diz que ainda há um papel para os cientistas cidadãos. De facto, os voluntários da campanha de ciência cidadã já começaram a identificar dados de lixo, disse. “Ter pessoas a dizer-nos quão maus os nossos dados são é deveras útil, porque inicialmente, o algoritmo olharia para os dados maus e tentaria fazer sentido dos mesmos,” disse Christy.

Mas a utilização de um conjunto de treino de todos estes dados maus permite à equipa modificar e melhorar o desempenho global do seu algoritmo. “Esta é a primeira vez que estamos realmente a combinar a ciência cidadã com técnicas de aprendizagem de máquina no campo da astronomia das estrelas variáveis,” disse Jayasinghe. “Estamos a expandir os limites do que se pode fazer quando estes dois se juntam.”

// Universidade Estatal do Ohio (comunicado de imprensa)
// Artigo científico (arXiv.org)

Saiba mais:

Estrela variável:
Wikipedia
AAVSO (The American Association of Variable Star Observers)

Levantamento ASAS-SN:
Universidade Estatal do Ohio
Universidade Estatal do Ohio #2
Wikipedia

Citizen ASAS-SN:
Página principal
Twitter

Ciência cidadã:
Wikipedia

2MASS:
Wikipedia

Gaia:
ESA
ESA – 2
Gaia/ESA
Programa Alertas de Ciência Fotométrica do Gaia
EDR3 do Gaia
SPACEFLIGHT101
Wikipedia