Caros Leitores;
Esta ilustração descreve as curvas de luz para um binário eclipsante representativo (topo) e um dos candidatos a sistemas estelares quádruplos eclipsados identificados por Adam Friedman. As quedas extras causadas por eclipses adicionais no sistema quádruplo resultam em um padrão mais complicado. Crédito: Goddard Space Flight Center da NASA
Um jogo de xadrez tem 20 movimentos de abertura possíveis. Imagine ser convidado a iniciar um jogo com dezenas de milhões de aberturas. Essa foi a tarefa atribuída a Adam Friedman, um estagiário de verão de 2020 no Goddard Space Flight Center da NASA em Greenbelt, Maryland. Campeão de xadrez no colégio, Friedman analisou seu oponente - um dilúvio de dados sobre as mudanças de brilho de mais de 70 milhões de estrelas.
Usando abordagens computacionais tradicionais, a tarefa de filtrar e classificar essas medições poderia ter levado meses. Com o uso do aprendizado de máquina, uma forma de inteligência artificial, isso pode ser feito em segundos. Trabalhando com Brian Powell, um cientista de dados no High Energy Astrophysics Science Archive Research Center em Goddard, Friedman treinou um sistema de computador para identificar uma importante classe de estrelas variáveis sem programá-lo explicitamente.
O aprendizado de máquina permite que os computadores processem e classifiquem imensas quantidades de dados automaticamente - exatamente o que era necessário para filtrar a torrente de dados estelares. Para fazer isso, Powell criou uma rede neural - uma série de regras matemáticas que tentam reconhecer as relações subjacentes nos dados por meio de um processo que imita, de forma bastante simplificada, o funcionamento do cérebro humano. Para que uma rede neural funcione, no entanto, ela deve ser treinada.
"O estágio foi sobre a coleta de dados de treinamento ", disse Friedman, "porque o aprendizado de máquina funciona coletando um número incrivelmente grande de exemplos para treinar o modelo."
O Transiting Exoplanet Survey Satellite (TESS) da NASA foi lançado em abril de 2018 para encontrar novos mundos além do nosso Sstema Solar, ou exoplanetas, monitorando as mudanças de brilho em estrelas próximas. Desde o seu lançamento, o TESS observou quase todo o céu. Quinzenalmente, o satélite envia de volta vários milhares de fotos grandes, chamadas de imagens de quadro inteiro de uma seção pré-planejada do céu.
Os astrônomos usam os dados para construir curvas de luz, gráficos que mostram como o brilho de uma estrela muda com o tempo. A partir dos dados brutos do TESS, Powell usou o supercomputador Discover de 129.000 núcleos no Center for Climate Simulation (NCCS) da NASA em Goddard para construir milhões de curvas de luz.
"Graças ao suporte do NCCS, pudemos começar a construir curvas de luz em grandes quantidades. Temos aproximadamente 70 milhões agora, com mais a caminho. A ciência de dados e o aprendizado de máquina podem ajudar a conduzir essas descobertas, permitindo grandes volumes de dados para ser classificado e processado com mais rapidez e precisão do que nunca ", disse Powell.
Com essa pilha enorme, Friedman queria identificar binários eclipsantes, estrelas emparelhadas que alternadamente passam na frente ou transitam entre si a cada órbita vista da Terra. Durante cada eclipse, o sistema escurece conforme uma estrela passa na frente da outra, o que produz uma queda em sua curva de luz . "A característica realmente útil de eclipsar binários, e a razão de eles serem a espinha dorsal da astrofísica, é que eles nos fornecem medidas diretas de suas propriedades fundamentais, como sua massa e tamanho", disse Veselin Kostov, um cientista pesquisador da Goddard e o Instituto SETI em Mountain View, Califórnia. "E por meio dessas propriedades, podemos medir distâncias diretas a esses sistemas. Eles nos proporcionam uma das poucas oportunidades de medir distâncias diretas no Universo".
A NCCS também forneceu seu cluster de unidade de processamento gráfico de plataforma de análise de dados avançada para executar a rede neural que Powell codificou e Friedman treinou.
Friedman poderia inserir uma curva de luz e instruir a rede neural a atribuí-la a uma categoria específica. Depois de repetir essa ação milhares de vezes, a rede neural começou a reconhecer grupos de curvas de luz e sugerir classificações com base na probabilidade de que uma dada curva se encaixasse em um determinado grupo. Friedman encontrou curvas de luz de exemplo para uma ampla gama de sistemas estelares e inseriu-as até que a rede aprendesse como cada uma era e pudesse identificar novas curvas de luz de forma autônoma. Isso permitiu que uma tarefa que levaria meses em um computador desktop moderno fosse concluída em poucos segundos.
O aprendizado de máquina melhora muito a eficiência de encontrar esses sistemas estelares em dezenas de milhões de imagens TESS, aprendendo a identificar as características de um eclipse e rotular a curva de luz de acordo. Mas Friedman logo percebeu uma peculiaridade em algumas das curvas de luz que a rede afirmava estarem eclipsando os candidatos binários. Eles tiveram mergulhos extras.
Ocasionalmente, os sistemas estelares podem ter mais de dois componentes. Se essas estrelas eclipsam umas às outras, a curva de luz terá dimmings adicionais que, à primeira vista, aparecerão em intervalos irregulares. Friedman descobriu que eles eram candidatos a sistemas multistar e então começou uma busca exaustiva por sistemas semelhantes entre os binários eclipsados identificados pela rede neural . No total, Friedman encontrou oito novos sistemas estelares quádruplos candidatos. Esses casos são interessantes porque fornecem informações sobre como os sistemas multistar se formam e evoluem.
Friedman tinha acabado de terminar seu primeiro ano como estudante de ciência da computação na Universidade de Michigan e, no início do verão, não tinha formação em astronomia, computação de alto desempenho, ciência de dados ou aprendizado de máquina. Para agravar a complexidade da tarefa em mãos, Friedman realizou seu estágio em casa devido ao COVID-19, mas, apesar desses desafios, Powell disse que pegou rapidamente.
"Ele é nada menos que brilhante", disse Powell. "Adam tem uma habilidade incrível de ver desvios de periodicidade nas curvas de luz ." Com um resultado cosmicamente profundo de seu estágio, é fácil esquecer o curso do progresso de Friedman. "Não é como se ele fosse um astrônomo e especialista em aprendizado de máquina no início do verão", acrescentou. "Sua capacidade de dominar conceitos e conjuntos de habilidades extremamente complexos em tão pouco tempo é impressionante".
Friedman estava grato por seu tempo com Powell durante o verão. Ele disse: "Devo dar muito crédito a Brian. Ele foi um mentor incrível; definitivamente foi o melhor supervisor que já conheci. Ele se encontrava comigo todos os dias, apenas para me ensinar como fazer o projeto. Ele realmente foi um ótimo professor.".
Explore mais
Fonte: Phys News / por Madison Arnold, Goddard Space Flight Center da NASA / 13-02-2021
Nenhum comentário:
Postar um comentário