Enabling New Discoveries with Machine Learning
Este artigo revisa o framework Astronomaly e demonstra como a combinação de aprendizado profundo com a entrada humana ativa possibilita a automação da descoberta científica ao identificar objetos astronômicos raros e novos nos massivos conjuntos de dados gerados por telescópios de próxima geração.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O universo está se tornando barulhento demais para os ouvidos humanos escutarem sozinhos. Nos próximos anos, novos e massivos telescópios começarão a varrer o céu, capturando imagens e sinais em um ritmo que supera qualquer coisa que os astrônomos já enfrentaram. Um projeto, o Observatório Vera C. Rubin, acabará catalogando aproximadamente 20 bilhões de galáxias ópticas e detectará algo mudando no céu mais de 10 milhões de vezes a cada única noite. Outro, o Square Kilometre Array, descobrirá mais de um bilhão de galáxias de rádio. Quando os dados chegarem em quantidades tão avassaladoras, o antigo método de um cientista sentar-se para olhar cada imagem ou sinal um por um torna-se impossível. O desafio não é mais apenas reunir os dados, mas encontrar a agulha no palheiro quando o palheiro tem o tamanho de um planeta.
Para resolver isso, pesquisadores estão recorrendo ao aprendizado de máquina, um campo onde computadores aprendem a reconhecer padrões sem serem explicitamente programados para cada regra. No entanto, um simples programa de computador que sinaliza qualquer coisa incomum não é suficiente. Em um conjunto de dados preenchido com bilhões de objetos, um computador pode sinalizar uma falha na câmera ou uma mancha na lente como "estranha", embora não possua valor científico. O verdadeiro objetivo é encontrar as anomalias verdadeiramente interessantes: os objetos raros, novos ou inesperados que poderiam reescrever nossa compreensão do cosmos. É aqui que entra o trabalho de Michelle Lochner e seus colegas, oferecendo uma nova maneira de construir a ponte entre o poder computacional bruto e a curiosidade humana.
Os pesquisadores desenvolveram uma ferramenta chamada astronomaly, um sistema projetado para ajudar os cientistas a filtrar esses conjuntos de dados massivos de forma eficiente. Em vez de tentar ensinar ao computador exatamente como um novo tipo de objeto se parece — o que é impossamente se ninguém jamais viu um antes — o sistema utiliza um método chamado aprendizado ativo. Neste processo, o computador varre os dados e apresenta uma pequena seleção dos candidatos mais promissores a um cientista humano. O cientista então rotula estes como interessantes ou desinteressantes. O computador aprende com essas escolhas, refinando sua compreensão do que o humano considera valioso, e então classifica o restante dos dados de acordo. Isso cria uma parceria onde a máquina cuida do trabalho pesado de classificação, enquanto o humano fornece a intuição para detectar as descobertas verdadeiramente significativas.
Esta abordagem já levou a descobertas reais. Usando o astronomaly, a equipe identificou um novo tipo de fonte de rádio chamada SAURON, que significa Steep and Uneven Ring of Nonthermal radiation (Anel de Radiação Não Térmica Íngreme e Irregular). Este objeto, encontrado em dados do MeerKAT Galaxy Cluster Legacy Survey, não se parece com nenhuma fonte conhecida e pode ser o remanescente da fusão de dois buracos negros supermassivos. O sistema também ajudou a descobrir estrelas variáveis incomuns e fusões de galáxias que haviam sido perdidas pelos métodos tradicionais. Em um caso, a ferramenta analisou quase 4 milhões de imagens ópticas do Dark Energy Camera Legacy Survey, destacando uma dúzia de fontes específicas que os especialistas humanos acharam mais intrigantes, incluindo objetos que desafiavam a classificação padrão.
Uma parte fundamental deste sucesso reside em como o computador entende os dados. Durante décadas, os cientistas tiveram que projetar manualmente as características que o computador deveria procurar, como a forma de uma galáxia ou o brilho de uma estrela ao longo do tempo. Esta era uma etapa difícil que frequentemente limitava o que o computador poderia encontrar. O novo trabalho mostra que o uso de deep learning, uma forma mais avançada de aprendizado de máquina, permite que o computador descubra essas características por conta própria. Ao treinar um computador para reconhecer padrões complexos em imagens, o sistema pode criar um mapa interno rico dos dados. Quando os pesquisadores aplicaram este método, descobriram que o computador conseguia agrupar galáxias semelhantes e separar as incomuns com uma precisão muito maior do que antes.
No entanto, os pesquisadores descobriram uma reviravolta sutil, mas importante, na forma como esses sistemas avançados funcionam. Ao usar características antigas, projetadas manualmente, objetos estranhos tendiam a ficar na borda extrema do mapa de dados, tornando-os fáceis de detectar como discrepantes (outliers). Mas com os novos métodos de deep learning, os objetos estranhos eram frequentemente encontrados no fundo do mapa, misturados aos normais. Um computador que busca apenas por coisas que ficam na borda os perderia. Para resolver isso, a equipe refinou sua abordagem com uma versão da ferramenta chamada astronomaly: protege. Em vez de apenas buscar por anomalias estatísticas, esta versão foca inteiramente no que o usuário humano considera interessante, aprendendo diretamente com o seu feedback para navegar no complexo mapa de dados.
O artigo conclui que o futuro da descoberta na astronomia depende deste tipo específico de parceria entre humano e máquina. À medida que a inundação de dados de novos telescópios cresce, a capacidade de automatizar a busca pelo extraordinário será essencial. Os pesquisadores argumentam que, como o que é "interessante" é uma qualidade subjetiva que varia de cientista para cientista, o melhor caminho à frente não é tentar definir isso perfeitamente em código, mas sim construir sistemas que aprendam isso conosco. Ao combinar a velocidade das máquinas com a intuição dos especialistas humanos, os astrônomos podem garantir que a próxima grande descoberta, talvez tão surpreendente quanto o primeiro pulsar encontrado por Jocelyn Bell Burnell em 1967, não se perca no ruído.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.