{"id":5271,"date":"2022-07-22T06:40:27","date_gmt":"2022-07-22T05:40:27","guid":{"rendered":"http:\/\/ccvalg.pt\/astronomia\/wordpress\/?p=5271"},"modified":"2022-07-22T06:40:28","modified_gmt":"2022-07-22T05:40:28","slug":"ei-siri-qual-e-a-massa-deste-enxame-galactico","status":"publish","type":"post","link":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/2022\/07\/22\/ei-siri-qual-e-a-massa-deste-enxame-galactico\/","title":{"rendered":"Ei, Siri: qual \u00e9 a massa deste enxame gal\u00e1ctico?"},"content":{"rendered":"
\n
\"\"<\/a>
Imagem de longa exposi\u00e7\u00e3o, pelo Telesc\u00f3pio Espacial Hubble, mostra uma majestosa gal\u00e1xia espiral vista de face localizada nas profundezas do enxame de gal\u00e1xias de Cabeleira de Berenice, que se encontra a 320 milh\u00f5es de anos-luz de dist\u00e2ncia na dire\u00e7\u00e3o da constela\u00e7\u00e3o com o mesmo nome.
Cr\u00e9dito: NASA, ESA e equipa do Legado Hubble (STScI\/AURA); agradecimento: K. Cook (Laborat\u00f3rio Nacional Lawrence Livermore, EUA)<\/figcaption><\/figure>\n<\/div>\n\n\n

J\u00e1 passou quase um s\u00e9culo desde que o astr\u00f3nomo Fritz Zwicky calculou pela primeira vez a massa do Enxame de Cabeleira de Berenice, uma densa cole\u00e7\u00e3o de quase 1000 gal\u00e1xias localizadas no Universo pr\u00f3ximo. Mas estimar a massa de algo t\u00e3o grande e denso, que est\u00e1 a 320 milh\u00f5es de anos-luz de dist\u00e2ncia, tem a sua quota-parte de problemas – ent\u00e3o e agora. As medi\u00e7\u00f5es iniciais de Zwicky, e as muitas feitas desde ent\u00e3o, t\u00eam fontes de erros que enviesam a massa para cima ou para baixo.<\/p>\n\n\n\n

Agora, utilizando ferramentas de aprendizagem de m\u00e1quina, uma equipa liderada por f\u00edsicos da Universidade Carnegie Mellon desenvolveu um m\u00e9todo de aprendizagem profunda que estima com precis\u00e3o a massa do Enxame de Cabeleira de Berenice e atenua eficazmente as fontes de erro.<\/p>\n\n\n\n

“As pessoas t\u00eam feito estimativas da massa do Enxame de Cabeleira de Berenice h\u00e1 muitos, muitos anos. Mas ao mostrar que os nossos m\u00e9todos de aprendizagem de m\u00e1quina s\u00e3o consistentes com estas estimativas anteriores de massa, estamos a construir confian\u00e7a nestes novos e muito poderosos m\u00e9todos que est\u00e3o atualmente muito em voga no campo da cosmologia”, disse Matthew Ho, um estudante do quinto ano do Centro McWilliams para Cosmologia do Departamento de F\u00edsica e membro do Instituto de Planeamento de IA para F\u00edsica do Futuro da NSF em Carnegie Mellon.<\/p>\n\n\n\n

Os m\u00e9todos de aprendizagem de m\u00e1quina s\u00e3o utilizados com sucesso numa variedade de campos para encontrar padr\u00f5es em dados complexos, mas s\u00f3 na \u00faltima d\u00e9cada \u00e9 que ganharam uma posi\u00e7\u00e3o de destaque na investiga\u00e7\u00e3o cosmol\u00f3gica. Para alguns investigadores na \u00e1rea, estes m\u00e9todos v\u00eam com uma grande preocupa\u00e7\u00e3o: uma vez que \u00e9 dif\u00edcil compreender o funcionamento interno de um modelo complexo de aprendizagem de m\u00e1quina, ser\u00e1 que podemos confiar neles para fazer aquilo para que foram concebidos? Ho e os seus colegas propuseram-se a abordar estas retic\u00eancias com a sua \u00faltima investiga\u00e7\u00e3o, publicada na revista Nature Astronomy.<\/p>\n\n\n\n

Para calcular a massa do Enxame de Cabeleira de Berenice, Zwicky e outros utilizaram uma medi\u00e7\u00e3o din\u00e2mica da massa, na qual estudaram o movimento ou velocidade de objetos em \u00f3rbita dentro e em redor do enxame gal\u00e1ctico e depois utilizaram a sua compreens\u00e3o da gravidade para inferir a massa do enxame. Mas esta medi\u00e7\u00e3o \u00e9 suscet\u00edvel a uma variedade de erros. Os enxames de gal\u00e1xias existem como n\u00f3s numa enorme teia de mat\u00e9ria distribu\u00edda pelo Universo, e est\u00e3o constantemente a colidir e a fundir-se uns com os outros, o que distorce o perfil de velocidade das gal\u00e1xias constituintes. E tendo em conta que os astr\u00f3nomos est\u00e3o a observar o enxame a uma grande dist\u00e2ncia, h\u00e1 muitas outras coisas na dist\u00e2ncia que nos separa que podem parecer e agir como se fizessem parte do enxame de gal\u00e1xias, o que pode distorcer a medi\u00e7\u00e3o da massa. Investiga\u00e7\u00f5es recentes fizeram progressos no sentido de quantificar e contabilizar o efeito destes erros, mas os m\u00e9todos baseados na aprendizagem de m\u00e1quina fornecem uma abordagem inovadora baseada em dados, de acordo com Ho.<\/p>\n\n\n\n

“O nosso m\u00e9todo de aprendizagem profunda aprende com dados reais o que s\u00e3o medi\u00e7\u00f5es \u00fateis e o que n\u00e3o s\u00e3o”, disse Ho, acrescentando que o seu m\u00e9todo elimina erros de gal\u00e1xias intrusas (efeitos de sele\u00e7\u00e3o) e tem em conta v\u00e1rias formas gal\u00e1cticas (efeitos f\u00edsicos). “A utiliza\u00e7\u00e3o destes m\u00e9todos baseados em dados torna as nossas previs\u00f5es melhores e automatizadas”.<\/p>\n\n\n\n

“Uma das maiores falhas com as abordagens de aprendizagem de m\u00e1quina padr\u00e3o \u00e9 que normalmente produzem resultados sem quaisquer incertezas”, acrescentou Hy Trac, professor associado de f\u00edsica, orientador de Ho. “O nosso m\u00e9todo inclui estat\u00edsticas Bayesianas robustas, que nos permitem quantificar a incerteza nos nossos resultados”.<\/p>\n\n\n\n

Ho e colegas desenvolveram o seu m\u00e9todo inovador atrav\u00e9s da personaliza\u00e7\u00e3o de uma conhecida ferramenta de aprendizagem de m\u00e1quina chamada rede neuronal convolucional, que \u00e9 um tipo de algoritmo de aprendizagem profunda utilizado no reconhecimento de imagens. Os investigadores treinaram o seu modelo, alimentando-o com dados provenientes de simula\u00e7\u00f5es cosmol\u00f3gicas do Universo. O modelo aprendeu atrav\u00e9s da observa\u00e7\u00e3o das caracter\u00edsticas observ\u00e1veis de milhares de enxames de gal\u00e1xias, cuja massa j\u00e1 \u00e9 conhecida. Ap\u00f3s uma an\u00e1lise aprofundada da manipula\u00e7\u00e3o dos dados de simula\u00e7\u00e3o pelo modelo, Ho aplicou-o a um sistema real – o Enxame de Cabeleira de Berenice – cuja verdadeira massa n\u00e3o \u00e9 conhecida. O m\u00e9todo de Ho calculou uma estimativa de massa que \u00e9 consistente com a maioria das estimativas de massa feitas desde os anos 80. Isto marca a primeira vez que esta metodologia espec\u00edfica de aprendizagem de m\u00e1quina foi aplicada a um sistema observacional.<\/p>\n\n\n\n

“Para construir a fiabilidade dos modelos de aprendizagem de m\u00e1quina, \u00e9 importante validar as previs\u00f5es do modelo em sistemas bem estudados, como o de Cabeleira de Berenice”, disse Ho. “Estamos atualmente a proceder a uma verifica\u00e7\u00e3o mais rigorosa e extensiva do nosso m\u00e9todo. Os resultados promissores s\u00e3o um passo forte para a aplica\u00e7\u00e3o do nosso m\u00e9todo em dados novos e n\u00e3o estudados”.<\/p>\n\n\n\n

Modelos como estes v\u00e3o ser cr\u00edticos daqui para a frente, especialmente quando levantamentos espectrosc\u00f3picos em grande escala, como o DESI (Dark Energy Spectroscopic Instrument), o Observat\u00f3rio Vera C. Rubin e Euclides, come\u00e7arem a divulgar a vasta quantidade de dados que est\u00e3o a recolher do c\u00e9u.<\/p>\n\n\n\n

“Em breve vamos ter um fluxo de dados \u00e0 escala dos pentabytes”, explicou Ho. “Isto \u00e9 enorme. \u00c9 imposs\u00edvel para os humanos analisarem isto \u00e0 m\u00e3o. \u00c0 medida que trabalhamos na constru\u00e7\u00e3o de modelos que podem estimar robustamente coisas como a massa enquanto mitigam as fontes de erro, outro aspeto importante \u00e9 que precisam de ser computacionalmente eficientes se quisermos processar este enorme fluxo de dados destes novos levantamentos. E \u00e9 exatamente isso que estamos a tentar abordar – utilizando a aprendizagem de m\u00e1quina para melhorar as nossas an\u00e1lises e torn\u00e1-las mais r\u00e1pidas”.<\/p>\n\n\n\n

\/\/ Universidade Carnegie Mellon (comunicado de imprensa)<\/a>
\/\/ Artigo cient\u00edfico (Nature Astronomy)<\/a>
\/\/ Artigo cient\u00edfico (arXiv.org)<\/a><\/p>\n\n\n\n

Saiba mais:<\/h3>\n\n\n\n

Enxame de Cabeleira de Berenice:<\/strong>
Wikipedia<\/a><\/p>\n\n\n\n

Aprendizagem de m\u00e1quina:<\/strong>
Wikipedia<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Imagem de longa exposi\u00e7\u00e3o, pelo Telesc\u00f3pio Espacial Hubble, mostra uma majestosa gal\u00e1xia espiral vista de face localizada nas profundezas do enxame de gal\u00e1xias de Cabeleira de Berenice, que se encontra a 320 milh\u00f5es de anos-luz de dist\u00e2ncia na dire\u00e7\u00e3o da constela\u00e7\u00e3o com o mesmo nome. Cr\u00e9dito: NASA, ESA e equipa do Legado Hubble (STScI\/AURA); agradecimento: …<\/p>\n","protected":false},"author":1,"featured_media":5272,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[60],"tags":[906,110],"class_list":["post-5271","post","type-post","status-publish","format-standard","has-post-thumbnail","","category-galaxias","tag-aprendizagem-de-maquina","tag-galaxias"],"_links":{"self":[{"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/posts\/5271","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/comments?post=5271"}],"version-history":[{"count":1,"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/posts\/5271\/revisions"}],"predecessor-version":[{"id":5273,"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/posts\/5271\/revisions\/5273"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/media\/5272"}],"wp:attachment":[{"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/media?parent=5271"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/categories?post=5271"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/wp-json\/wp\/v2\/tags?post=5271"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}