IA revoluciona a classificação cósmica: rede neural mapeia 27 milhões de objetos celestes

IA inaugura uma nova era no mapeamento do universo

Há séculos, astrônomos observam o céu noturno em busca de desvendar os mistérios das estrelas, das galáxias e da vasta teia cósmica que as conecta. Hoje, a imensidão do universo apresenta um novo desafio: como classificar e compreender bilhões de objetos celestes quando os métodos tradicionais mal conseguem acompanhar esse ritmo? Em um avanço revolucionário, uma equipe de cientistas dos Observatórios de Yunnan, na China, desenvolveu um modelo de inteligência artificial (IA) que já classificou mais de 27 milhões de objetos cósmicos — estrelas, galáxias e quasares — em uma vasta região do céu. Essa conquista marca um momento decisivo para a astronomia e promete transformar a maneira como exploramos e compreendemos o universo.

Por que classificar o cosmos é tão desafiador

A astronomia moderna vive uma explosão de dados. Telescópios avançados e levantamentos do céu, como o Sloan Digital Sky Survey (SDSS), o Kilo-Degree Survey (KiDS) e a missão Euclid, da Agência Espacial Europeia, estão registrando imagens e medições de bilhões de objetos. Cada novo levantamento acrescenta terabytes de dados, revelando galáxias a bilhões de anos-luz de distância, supernovas e a intrincada estrutura da teia cósmica.

Tradicionalmente, os astrônomos recorrem à espectroscopia — a análise da luz de um objeto para determinar sua composição, distância e tipo. A espectroscopia é precisa, mas lenta e exige muitos recursos. Com o volume de dados disponível hoje, é simplesmente impossível acompanhar o ritmo por meio de métodos manuais ou mesmo semiautomatizados. Por isso, os astrônomos têm recorrido cada vez mais a levantamentos fotométricos, que registram imagens em diferentes cores (comprimentos de onda), mas não oferecem o mesmo nível de detalhe dos espectros. Embora sejam mais rápidos, os dados fotométricos podem ser ambíguos: galáxias distantes, estrelas e quasares muitas vezes aparecem como pequenos pontos luminosos, difíceis de distinguir apenas pelo formato.

Os limites da classificação humana e dos métodos tradicionais de aprendizado de máquina

As tentativas de automatizar a classificação incluíram algoritmos clássicos de aprendizado de máquina — como árvores de decisão e florestas aleatórias — e, mais recentemente, redes neurais de aprendizado profundo. Esses métodos alcançaram níveis impressionantes de precisão, mas ainda enfrentam desafios, especialmente no caso de objetos pouco brilhantes ou distantes, ou em regiões encobertas por poeira cósmica. Como constatou um estudo da Universidade de La Serena, no Chile, os modelos de aprendizado de máquina podem ter dificuldade em regiões complexas, como a "zona de evitação", onde a poeira bloqueia boa parte da luz visível, o que leva a altas taxas de erro quando os modelos não são treinados com dados diversos e de vários comprimentos de onda.

Como funciona o modelo chinês de IA

O novo modelo de IA desenvolvido pela equipe dos Observatórios de Yunnan representa um avanço significativo. Ao contrário de abordagens anteriores, que se baseavam na aparência (morfologia) ou na cor (distribuição espectral de energia, ou SED) dos objetos, essa rede neural processa os dois tipos de informação simultaneamente. Esse projeto com duas entradas permite que a IA detecte diferenças sutis entre estrelas, galáxias e quasares que poderiam passar despercebidas.

O modelo foi treinado com fontes confirmadas por espectroscopia na 17ª edição de dados do SDSS, considerada referência de excelência na classificação astronômica. Em seguida, foi testado com imagens do levantamento KiDS, concentrando-se em objetos mais brilhantes que a magnitude r = 23 e cobrindo cerca de 1.350 graus quadrados do céu. O resultado: mais de 27 milhões de objetos classificados com velocidade e precisão impressionantes.

Validação e precisão em vários levantamentos

Para garantir a confiabilidade, a equipe validou o modelo com dados de outros grandes levantamentos. Ao ser aplicado a 3,4 milhões de fontes da missão Gaia — em sua maioria estrelas com movimentos bem conhecidos —, a IA identificou corretamente 99,7% delas como estrelas. O levantamento Galaxy And Mass Assembly (GAMA) apresentou resultado semelhante: 99,7% das galáxias e dos quasares foram classificados corretamente. Em alguns casos, a IA chegou a corrigir erros anteriores, reclassificando objetos identificados incorretamente em catálogos mais antigos.

Esse alto nível de precisão demonstra a robustez do modelo e seu potencial para aprimorar os bancos de dados astronômicos existentes, tornando-o uma ferramenta valiosa para a comunidade astronômica.

IA e a corrida global para mapear o universo

O avanço chinês faz parte de uma tendência mais ampla: astrônomos do mundo todo disputam o desenvolvimento de ferramentas de IA capazes de lidar com a avalanche de dados dos telescópios de nova geração. A missão Euclid, da Agência Espacial Europeia, por exemplo, já mapeou 26 milhões de galáxias em apenas uma fração da área prevista para o levantamento. Nos próximos seis anos, a Euclid registrará imagens de mais de 1,5 bilhão de galáxias e enviará cerca de 100 gigabytes de dados por dia. De forma semelhante, espera-se que o futuro Observatório Vera Rubin detecte milhões de novas supernovas e outros eventos transitórios. Ferramentas de IA como o Bright Transient Survey Bot (BTSbot) já automatizam a descoberta e a classificação de supernovas no levantamento Zwicky Transient Facility.

Ciência cidadã e IA: uma parceria poderosa

Diante da dimensão do desafio, os astrônomos também estão convocando a ajuda do público. Projetos como o Galaxy Zoo e o novo "Galaxy Zoo: Euclid" convidam voluntários do mundo todo a ajudar a classificar o formato das galáxias. Esses cientistas cidadãos trabalham junto com algoritmos de IA — como o ZooBot —, que lidam com os casos mais simples e encaminham imagens mais complexas para avaliação humana. Essa colaboração não apenas acelera a classificação, como também ajuda a treinar e aperfeiçoar a IA, criando um ciclo virtuoso de descobertas.

O Telescópio Espacial James Webb, da NASA, e a missão Euclid recorrem a essa abordagem híbrida: milhares de voluntários e sistemas avançados de IA trabalham juntos para construir os maiores e mais detalhados catálogos de morfologia galáctica já reunidos.

Como a IA está transformando a astronomia

O impacto da IA na astronomia vai muito além da velocidade. Ao classificar grandes quantidades de objetos de forma rápida e precisa, a IA permite que os cientistas:

• Descubram objetos raros ou incomuns, como galáxias em anel ou quasares distantes, que poderiam passar despercebidos.
• Rastreiem a estrutura e a evolução das galáxias ao longo do tempo cósmico, esclarecendo como o universo mudou durante bilhões de anos.
• Mapeiem a distribuição de matéria escura e energia escura ao analisar os formatos e as posições das galáxias e os efeitos das lentes gravitacionais.
• Melhorem a precisão e a abrangência dos catálogos astronômicos, corrigindo erros anteriores e preenchendo lacunas.

Por exemplo, a descoberta recente de 30 mil galáxias raras em anel, feita pela combinação de IA e cientistas cidadãos no projeto GALAXY CRUISE, proporcionou uma amostra grande o suficiente para análises científicas relevantes e revelou novos indícios sobre como essas estruturas incomuns se formam — muitas vezes, pela colisão de galáxias espirais.

Inovações técnicas: análise multimodal e no nível dos pixels

Os avanços recentes em IA para a astronomia incluem arquiteturas de aprendizado profundo multimodal, que combinam dados de imagem com metadados tabulares (como brilho, cor e desvio para o vermelho) para aumentar a precisão. Estudos mostram que esses modelos superam aqueles que usam apenas um tipo de dado, alcançando maior precisão e revocação com menos épocas de treinamento. Algumas ferramentas, como o Morpheus AI, desenvolvido na Universidade da Califórnia em Santa Cruz (UC Santa Cruz), chegam a analisar imagens pixel por pixel, permitindo uma classificação morfológica detalhada e a identificação de estruturas complexas dentro das galáxias.

Essas inovações são essenciais à medida que os levantamentos se tornam mais ambiciosos. A missão Euclid, por exemplo, pretende mapear a distribuição tridimensional da matéria escura medindo as distorções sutis no formato das galáxias causadas pelas lentes gravitacionais — uma tarefa impossível sem técnicas avançadas de IA e aprendizado de máquina.

Limites e desafios da IA na astronomia

Apesar desses avanços, a IA não é uma solução para tudo. A precisão de qualquer modelo depende muito da qualidade e da diversidade dos dados usados no treinamento. Modelos treinados com dados de um levantamento podem ter desempenho inferior quando aplicados a dados de instrumentos diferentes ou de outras regiões do céu, especialmente em ambientes desafiadores, como a zona de evitação. Como apontam pesquisas recentes, os modelos de aprendizado de máquina podem ter dificuldade para classificar objetos em regiões encobertas por poeira ou com propriedades incomuns, às vezes deixando de detectar ou identificar corretamente uma parcela significativa deles.

Além disso, os modelos de IA podem reproduzir vieses dos dados de treinamento e acabar ignorando fenômenos raros ou inesperados. Por isso, a experiência humana e a ciência cidadã continuam sendo fundamentais tanto para validar os resultados da IA quanto para descobrir o que é realmente novo.

Próximos passos: uma IA mais inteligente e adaptável

A equipe dos Observatórios de Yunnan e outros grupos agora trabalham para aprimorar a capacidade dos modelos de lidar com objetos ainda menos brilhantes e de se adaptar a novos levantamentos com características diferentes. Isso inclui treiná-los com conjuntos de dados mais diversos, incorporar dados de vários comprimentos de onda e desenvolver algoritmos capazes de sinalizar casos incertos ou incomuns para análise humana.

À medida que a IA evolui, sua parceria com astrônomos — profissionais e amadores — será fundamental para desvendar os segredos do universo.

Implicações mais amplas: uma nova era de ouro das descobertas

A ascensão da IA na astronomia não é apenas uma conquista técnica: representa uma mudança profunda na maneira de fazer ciência. Ao automatizar o trabalho repetitivo de classificação, a IA libera os astrônomos para se concentrarem na interpretação, na teoria e na busca pelo desconhecido. Também democratiza as descobertas, permitindo que qualquer pessoa com acesso à internet contribua para o mapeamento do cosmos.

Com missões como Euclid e James Webb e o Observatório Vera Rubin prestes a fornecer volumes de dados sem precedentes, a combinação de IA, aprendizado de máquina e ciência cidadã inaugura uma nova era de ouro das descobertas astronômicas. O universo é vasto e misterioso, mas, com essas novas ferramentas, estamos mais preparados do que nunca para explorar suas profundezas.

Em resumo

• Um modelo chinês de IA classificou mais de 27 milhões de estrelas, galáxias e quasares, um grande avanço na análise de dados astronômicos.
• O modelo combina características morfológicas e da distribuição espectral de energia para obter alta precisão, validada em vários levantamentos.
• A IA é essencial para lidar com o enorme volume de dados de levantamentos modernos do céu, como os da Euclid e do Observatório Vera Rubin.
• Projetos de ciência cidadã, como o Galaxy Zoo, atuam junto com a IA para classificar objetos complexos ou ambíguos, aumentando a velocidade e a precisão.
• A IA permite descobrir objetos raros e corrigir erros em catálogos antigos, mas ainda enfrenta desafios em regiões difíceis e diante de fenômenos incomuns.
• O futuro da classificação cósmica depende de modelos de IA mais inteligentes e adaptáveis e da colaboração contínua entre máquinas e pessoas.