{"id":5596,"date":"2022-11-25T07:12:38","date_gmt":"2022-11-25T06:12:38","guid":{"rendered":"http:\/\/ccvalg.pt\/astronomia\/wordpress\/?p=5596"},"modified":"2022-11-25T07:12:39","modified_gmt":"2022-11-25T06:12:39","slug":"aprendizagem-de-maquina-classifica-automaticamente-1000-supernovas","status":"publish","type":"post","link":"https:\/\/ccvalg.pt\/astronomia\/wordpress\/2022\/11\/25\/aprendizagem-de-maquina-classifica-automaticamente-1000-supernovas\/","title":{"rendered":"Aprendizagem de m\u00e1quina classifica automaticamente 1000 supernovas<\/strong>"},"content":{"rendered":"\n

As instala\u00e7\u00f5es astron\u00f3micas de hoje varrem o c\u00e9u noturno cada vez mais profunda e rapidamente do que nunca. A identifica\u00e7\u00e3o e classifica\u00e7\u00e3o de eventos c\u00f3smicos conhecidos e potencialmente interessantes est\u00e1 a tornar-se imposs\u00edvel para um ou um grupo de astr\u00f3nomos. Portanto, cada vez mais treinam computadores para fazer o trabalho por eles. Os astr\u00f3nomos da colabora\u00e7\u00e3o ZTF (Zwicky Transient Facility) no Caltech anunciaram que o seu algoritmo de aprendizagem de m\u00e1quina j\u00e1 classificou e relatou 1000 supernovas de forma completamente aut\u00f3noma.<\/p>\n\n\n\n

“Precis\u00e1vamos de uma ajuda e sab\u00edamos que uma vez que trein\u00e1ssemos os nossos computadores para fazer o trabalho, eles iriam tirar-nos uma grande carga das costas”, diz Christoffer Fremling, astr\u00f3nomo do Caltech e o c\u00e9rebro por tr\u00e1s do novo algoritmo, apelidado de SNIascore. “O SNIascore classificou a sua primeira supernova em abril de 2021 e um ano e meio depois estamos a atingir um belo marco de 1000 supernovas sem qualquer envolvimento humano”.<\/p>\n\n\n

\n
\"\"<\/a>
A posi\u00e7\u00e3o, no c\u00e9u, das supernovas classificadas automaticamente pelo SNIascore.
Cr\u00e9dito: Caltech<\/figcaption><\/figure>\n<\/div>\n\n\n

Muitas das quest\u00f5es cient\u00edficas atuais e mais excitantes que os astr\u00f3nomos est\u00e3o a tentar responder exigem que eles recolham grandes amostras de diferentes eventos c\u00f3smicos. Como resultado, os observat\u00f3rios astron\u00f3micos modernos tornaram-se incans\u00e1veis m\u00e1quinas geradoras de dados que lan\u00e7am dezenas de milhares de alertas e imagens aos astr\u00f3nomos todas as noites. Isto \u00e9 particularmente verdade no campo da astronomia no dom\u00ednio do tempo, em que os investigadores procuram objetos em r\u00e1pida mudan\u00e7a, ou transientes, tais como estrelas em explos\u00e3o ou moribundas conhecidas como supernovas, buracos negros que comem estrelas em \u00f3rbita, asteroides e muito mais.<\/p>\n\n\n\n

“A no\u00e7\u00e3o tradicional de um astr\u00f3nomo sentado no observat\u00f3rio a ‘peneirar’ imagens telesc\u00f3picas carrega muito romanticismo, mas est\u00e1 a afastar-se da realidade”, diz Matthew Graham, cientista do projeto ZTF do Caltech.<\/p>\n\n\n\n

Para al\u00e9m de libertar tempo para os astr\u00f3nomos perseguirem outras quest\u00f5es cient\u00edficas, o algoritmo de aprendizagem de m\u00e1quina \u00e9 muito mais r\u00e1pido na classifica\u00e7\u00e3o de potenciais candidatos a supernova e a partilhar os resultados com a comunidade astron\u00f3mica. Com o SNIascore o processo \u00e9 encurtado de 2-3 dias para 10 minutos, ou quase em tempo real. Esta identifica\u00e7\u00e3o precoce de explos\u00f5es c\u00f3smicas \u00e9 muitas vezes cr\u00edtica para melhor estudar a sua f\u00edsica.<\/p>\n\n\n\n

“O SNIascore situa-se em cima de outros algoritmos de aprendizagem de m\u00e1quina e camadas subjacentes que desenvolvemos para o ZTF, e demonstra bem como as aplica\u00e7\u00f5es de aprendizagem de m\u00e1quina est\u00e3o a amadurecer na astronomia quase em tempo real”, diz Ashish Mahabal, cientista computacional do CD3 (Center for Data-Driven Discovery) do Caltech, que lidera as atividades de aprendizagem de m\u00e1quina para o ZTF.<\/p>\n\n\n\n

Por agora, o SNIascore s\u00f3 pode classificar o que \u00e9 conhecido como supernovas do Tipo Ia, ou as “velas padr\u00e3o” utilizadas pelos astr\u00f3nomos para medir o ritmo de expans\u00e3o do Universo. Estas s\u00e3o estrelas moribundas que explodem numa explos\u00e3o termonuclear de for\u00e7a consistente. No entanto, Christoffer e colegas est\u00e3o a trabalhar arduamente na amplia\u00e7\u00e3o das capacidades do algoritmo para classificar outros tipos de supernovas num futuro pr\u00f3ximo.<\/p>\n\n\n\n

O SNIascore est\u00e1 atualmente adaptado para trabalhar com o espectr\u00f3grafo SEDM (Spectral Energy Distribution Machine), alojado numa c\u00fapula a apenas algumas centenas de metros de dist\u00e2ncia da c\u00e2mara ZTF no Observat\u00f3rio Palomar. O ZTF varre continuamente o c\u00e9u e envia todas as noites centenas de milhares de alertas de potenciais transientes c\u00f3smicos a astr\u00f3nomos de todo o mundo. O espectr\u00f3grafo SEDM \u00e9 acionado para acompanhar e observar os mais promissores. Produz um espectro do evento c\u00f3smico que transporta informa\u00e7\u00e3o sobre a intensidade das v\u00e1rias frequ\u00eancias da luz captada pela c\u00e2mara do telesc\u00f3pio. Este espectro \u00e9 o que pode dizer definitivamente aos astr\u00f3nomos que tipo de evento est\u00e1 a ser observado. Utilizando t\u00e9cnicas inteligentes de aprendizagem de m\u00e1quina, a equipa de Christoffer treinou o SNIascore para ler os espectros de SEDM de forma not\u00e1vel.<\/p>\n\n\n\n

“O SNIascore \u00e9 incrivelmente preciso. Depois de 1000 supernovas, vimos como o algoritmo funciona no ‘mundo real’ e n\u00e3o tivemos uma classifica\u00e7\u00e3o claramente errada desde o seu lan\u00e7amento em abril de 2021. Isto d\u00e1-nos a confian\u00e7a para avan\u00e7ar e implementar o mesmo algoritmo noutras instala\u00e7\u00f5es de observa\u00e7\u00e3o”, acrescentou Fremling.<\/p>\n\n\n\n

Ele e colegas est\u00e3o atualmente a adaptar o SNIascore para trabalhar com o pr\u00f3ximo espectr\u00f3grafo SEDMv2 montado no telesc\u00f3pio de 2,1 metros no Observat\u00f3rio Kitt Peak no estado norte-americano do Arizona. O SEDMv2 ser\u00e1 a vers\u00e3o avan\u00e7ada do SEDM e permitir\u00e1 a dete\u00e7\u00e3o e classifica\u00e7\u00e3o de supernovas mais fracas. Atualmente, o SNIascore classifica em m\u00e9dia duas supernovas por noite. Com o SEDMv2 este n\u00famero pode potencialmente duplicar.<\/p>\n\n\n

\n
\"\"\/<\/a>
O ZTF “varre” o c\u00e9u usando uma c\u00e2mara de campo largo de \u00faltima gera\u00e7\u00e3o acoplada no telesc\u00f3pio Samuel Oschin no Observat\u00f3rio Palomar, no sul do estado norte-americano da Calif\u00f3rnia.
Cr\u00e9dito: Observat\u00f3rio Palomar\/Caltech<\/figcaption><\/figure>\n<\/div>\n\n\n

As vantagens do SNIascore v\u00e3o al\u00e9m da constru\u00e7\u00e3o r\u00e1pida e fi\u00e1vel de grandes conjuntos de dados de supernovas. Os astr\u00f3nomos que procuram outros eventos transientes podem agora rapidamente excluir candidatos classificados pelo SNIascore como supernovas, de tal forma que n\u00e3o se desperdi\u00e7a tempo de telesc\u00f3pio a segui-los quando o alvo s\u00e3o efetivamente outros tipos de explos\u00f5es c\u00f3smicas.<\/p>\n\n\n\n

Outros esfor\u00e7os de classifica\u00e7\u00e3o de eventos transientes tamb\u00e9m usam aprendizagem de m\u00e1quina, mas dependem apenas da chamada “curva de luz” do evento ou da quantidade de luz vista pelo telesc\u00f3pio como uma evolu\u00e7\u00e3o do tempo. O SNIascore tem a vantagem de ter sido treinado a utilizar informa\u00e7\u00e3o espectrosc\u00f3pica, a \u00fanica forma robusta de confirmar a natureza da maioria dos fen\u00f3menos transientes. O algoritmo \u00e9 de c\u00f3digo aberto e outros grupos podem adapt\u00e1-lo \u00e0s suas pr\u00f3prias instala\u00e7\u00f5es telesc\u00f3picas.<\/p>\n\n\n\n

“A parte mais desafiante na implementa\u00e7\u00e3o do SNIascore foi o treino do algoritmo. Foi necess\u00e1rio que os humanos verificassem cuidadosamente as imagens e constru\u00edssem um impec\u00e1vel conjunto de dados de treino. Depois de 1000 supernovas classificadas automaticamente, olhando para tr\u00e1s, penso que valeu inteiramente a pena o esfor\u00e7o”, diz Fremling.<\/p>\n\n\n\n

O SNIascore foi desenvolvido como parte do BTS (Bright Transient Survey) do ZTF – atualmente, o maior levantamento de supernovas dispon\u00edvel para a comunidade astron\u00f3mica. Todo o conjunto de dados BTS tem perto de 7000 supernovas, 90% das quais foram descobertas e classificadas pelo ZTF (10% foram contribui\u00e7\u00f5es de outros grupos e instala\u00e7\u00f5es).<\/p>\n\n\n\n

“A nossa ambi\u00e7\u00e3o \u00e9 continuar a fazer crescer o conjunto de dados BTS com a ajuda do SNIascore para, no futuro, construir a mais compreensiva amostra de supernovas que os astr\u00f3nomos podem utilizar para responder a quest\u00f5es fundamentais da cosmologia, tais como a rapidez com que o Universo se est\u00e1 a expandir e para mapear potencialmente a distribui\u00e7\u00e3o de mat\u00e9ria escura e a estrutura em grande escala do Universo”, acrescentou Fremling.<\/p>\n\n\n\n

\n