IA encontra mais de 1.300 anomalias cósmicas no Arquivo de Legado do Hubble - e mais de 800 eram desconhecidas

Um grupo de astrónomos recorreu a uma ferramenta de inteligência artificial (IA) para vasculhar enormes volumes de dados do Hubble e identificou mais de 1.300 anomalias cósmicas, sendo que mais de 800 nunca tinham sido descritas pela ciência.

O trabalho, conduzido por David O’Ryan e Pablo Gómez, da ESA (Agência Espacial Europeia), foi publicado na revista Astronomia e Astrofísica.

O’Ryan sublinha que as observações arquivadas do Telescópio Espacial Hubble já cobrem 35 anos, formando um repositório riquíssimo onde é possível encontrar anomalias astrofísicas.

Porque é tão difícil encontrar anomalias astrofísicas

As anomalias astrofísicas são relevantes porque, ao destoarem do padrão, podem revelar fenómenos raros ou apontar para explicações alternativas sobre como a Natureza funciona. Um investigador experiente pode estar atento a esse tipo de sinais e até reconhecê-los com relativa facilidade - o problema é a escala.

A quantidade de informação produzida pelos observatórios modernos é grande demais para ser analisada apenas por pessoas. O JWST (Telescópio Espacial James Webb) pode contribuir com cerca de 57 GB de dados por dia, dependendo do plano de observação.

E isto ainda é pouco quando comparado com o que aí vem: o Observatório Vera Rubin, equipado com a maior câmara digital alguma vez construída, deverá ultrapassar largamente esses valores, gerando cerca de 20 terabytes de dados brutos por noite, exigindo infraestruturas específicas só para ingestão e processamento.

Com novos instrumentos como o Giant Magellan Telescope e o Extremely Large Telescope a entrarem em operação em breve, o volume de dados astronómicos que precisa de escrutínio científico está a transformar-se numa verdadeira enxurrada. Em termos práticos, a tecnologia passou a produzir dados mais depressa do que o cérebro humano consegue triá-los - mas a IA está a aproximar-se dessa capacidade de análise em larga escala.

Os autores destacam que os arquivos astronómicos guardam enormes quantidades de dados ainda pouco explorados, capazes de esconder fenómenos raros e valiosos do ponto de vista científico. Para os localizar, aplicaram novos métodos semi-supervisionados ao Arquivo de Legado do Hubble.

A ferramenta de IA AnomalyMatch e a pesquisa no Arquivo de Legado do Hubble

Para acelerar a procura, os investigadores utilizaram um sistema recente de deteção de anomalias chamado AnomalyMatch, aplicado a quase 100 milhões de recortes de imagem (pequenas porções de imagens) do Arquivo de Legado do Hubble, que reúne observações ao longo de aproximadamente 35 anos.

O AnomalyMatch é uma rede neuronal, ou seja, uma abordagem de aprendizagem automática inspirada no funcionamento do cérebro humano. Em trabalho anterior, os autores referiam que a ferramenta foi desenhada para aplicações em grande escala, conseguindo processar previsões para ≈100 milhões de imagens em três dias, usando uma única GPU.

Na prática, a análise desta massa de dados levou apenas 2 a 3 dias - uma fração do tempo que seria necessário com avaliação humana direta. E, tanto quanto indicado, foi a primeira vez que o Arquivo de Legado do Hubble passou por uma pesquisa tão sistemática e abrangente de anomalias.

O sistema gerou uma lista de prováveis casos fora do comum: quase 1.400 objetos apontados como candidatos a anomalia, um conjunto já suficientemente reduzido para ser revisto por especialistas.

O que foi encontrado: 1.300 anomalias confirmadas e mais de 800 inéditas

Depois de analisarem manualmente os cerca de 1.400 candidatos, O’Ryan e Gómez concluíram que 1.300 eram de facto anomalias, e que mais de 800 não tinham registo anterior.

O tipo mais frequente foi o de galáxias em fusão e em interação, com 417 ocorrências.

A equipa identificou também 86 novos potenciais casos de lentes gravitacionais. Estes sistemas são particularmente importantes porque amplificam e “trazem para mais perto” objetos que, de outra forma, estariam demasiado distantes para serem observados. Além disso, ajudam a:

• estudar a distribuição de matéria escura no Universo;
• medir distâncias e a expansão cósmica;
• testar previsões da relatividade geral.

Os investigadores referem ainda que muitas lentes gravitacionais já descritas na literatura voltaram a surgir na pesquisa - mas que também apareceram muitos candidatos a novas lentes.

Outras raridades no arquivo: galáxias medusa e casos difíceis de classificar

O levantamento revelou mais classes raras de objetos, incluindo galáxias medusa. Estas são encontradas em enxames de galáxias, onde a pressão dinâmica (ram pressure) remove gás da galáxia, deixando uma cauda longa, muitas vezes iluminada por formação estelar. No arquivo foram localizadas 35 galáxias medusa.

Surgiram ainda anomalias cuja natureza permanece incerta. Um exemplo destacado é um objeto invulgar: uma galáxia com um núcleo em espiral e lóbulos abertos, cuja interpretação não é imediata.

Um inventário mais amplo de anomalias e o papel da IA na astronomia moderna

A triagem de enormes repositórios de observações é um cenário ideal para IA, precisamente por ser uma tarefa repetitiva, massiva e pouco realista de replicar apenas com análise humana.

Para além dos casos já referidos, a equipa registou também galáxias sobrepostas, galáxias grumosas, galáxias em anel e até galáxias de alto desvio para o vermelho, tão próximas do limite de deteção que se tornam difíceis de distinguir. Foram igualmente sinalizadas galáxias com jatos e galáxias que albergam AGN (núcleos ativos de galáxias).

Mesmo que as observações astronómicas terminassem amanhã, as descobertas não parariam: as ferramentas de IA tendem a tornar-se mais capazes, e os grandes conjuntos de dados já existentes - do Hubble e de missões como a Gaia da ESA - funcionam como terreno fértil para análises futuras.

Há, contudo, um ponto crucial: identificar candidatos é apenas o início. Muitos destes achados beneficiam de validação com observações complementares (por exemplo, espectroscopia, medições multibanda e comparação com catálogos), para confirmar distâncias, composição e dinâmicas, especialmente no caso de lentes gravitacionais e objetos no limiar de deteção.

Também ganha importância a forma como estes sistemas são integrados nos fluxos de trabalho científicos: transparência nos critérios de seleção, redução de enviesamentos e partilha de listas reprodutíveis de candidatos ajudam a transformar resultados automáticos em conhecimento robusto - e a direcionar melhor o tempo precioso dos telescópios para seguimentos com maior probabilidade de retorno.

Gómez considera que este trabalho mostra, de forma clara, como a IA pode aumentar o retorno científico de dados de arquivo. E acrescenta que a identificação de tantas anomalias previamente não documentadas em dados do Hubble reforça o potencial da ferramenta para futuros levantamentos.

Este artigo foi originalmente publicado no Universo Hoje. Leia o artigo original.