Inteligência artificial encontra anomalias em dados obtidos pelo telescópio Hubble
Um modelo de inteligência artificial foi treinado de forma a encontrar anomalias em dados de telescópios e os dados do Hubble mostraram algo inédito.
Nas últimas décadas, a Astronomia passou por uma transformação causada por avanços em instrumentação, sensores e capacidade computacional. Telescópios terrestres e espaciais passaram a produzir levantamentos profundos e multiespectrais que geraram grandes volumes de dados. Observações em diferentes comprimentos de onda, séries temporais extensas e catálogos com bilhões de fontes tornaram-se comuns dentro da área.
O lado negativo é que esse crescimento exponencial de dados tornou inviável a análise manual e limitou o uso de métodos tradicionais. Mesmo técnicas que já eram automatizadas enfrentam dificuldades para lidar com alta dimensionalidade, ruído complexo e fenômenos raros. Com isso, as técnicas de inteligência artificial, especialmente aprendizado de máquina, tornaram-se essenciais para extrair padrões, classificar objetos, detectar eventos transitórios e explorar grandes bases de dados astronômicos.
Um exemplo recente é o desenvolvimento de um modelo de IA voltado à detecção de anomalias em dados observacionais. Esse modelo é capaz de identificar sinais que se desviam do comportamento esperado. Astrônomos aplicaram esse modelo a dados do telescópio Hubble, permitindo a descoberta de fenômenos inéditos que haviam passado despercebidos em análises tradicionais e manuais. Esse tipo de abordagem mostra como a IA ajuda na análise de dados e na capacidade de descoberta científica.
Revolução na Astronomia
No começo do século passado, o grande problema da Astronomia era ter uma quantidade de dados pequena que não permitia análise profunda. No entanto, nas últimas décadas, o problema parece ter virado e ido para um outro extremo porque a Astronomia passou a ter muitos dados que tornava inviável a análise manual. Isso foi causado pelo avanço tecnológico em detectores, telescópios e infraestrutura computacional.
Com o aumento da quantidade e da dimensionalidade dos dados, métodos tradicionais tornaram-se insuficientes para extrair informação. A necessidade de identificar padrões, eventos raros e correlações não lineares levou à necessidade do uso de técnicas de inteligência artificial e aprendizado de máquina. Essas abordagens permitiram analisar grandes volumes de dados de maneira mais precisa além de ser automatizada e escalável.
AnomalyMatch
Um novo modelo de inteligência artificial foi desenvolvido para realizar uma busca por anomalias em todo o arquivo do telescópio Hubble. O modelo foi introduzido em um estudo publicado na revista Astronomy & Astrophysics e foi chamado de AnomalyMatch. Esse modelo foi construído de forma a identificar padrões raros ou inesperados sem depender de classificações prévias. O acervo do Hubble foi um alvo ideal por ter observações contínuas ao longo de décadas.
O treinamento do modelo utilizou dados observacionais que abrangem cerca de 35 anos de observações do Hubble. Em vez de analisar imagens completas, a rede neural foi alimentada com quase cem milhões de pequenos recortes de imagem, contendo apenas alguns pixels cada, o que permitiu capturar estruturas locais e sutis. Essa estratégia reduziu o custo computacional e aumentou a sensibilidade do sistema a desvios estatísticos em relação à população dominante de objetos astronômicos.
Descobertas com IA
Ao aplicar o AnomalyMatch aos arquivos do Hubble, os pesquisadores identificaram mais de mil objetos classificados como anômalos em menos de três dias de processamento. Uma fração dessas detecções não havia sido registrada anteriormente na literatura. Isso mostrou que grandes volumes de dados arquivados ainda contêm fenômenos pouco explorados. A maior parte das anomalias está associada a eventos energéticos, como fusões de galáxias.
Além de fusões galácticas, o modelo revelou classes de objetos raros, como galáxias do tipo “água-viva”. Essas galáxias são chamadas assim por terem longas caudas de gás que formam estrelas, discos protoplanetários e sistemas de lentes gravitacionais. Algumas detecções não se encaixam em categorias conhecidas, indicando potenciais novos regimes físicos ou estágios evolutivos.
Vantagens
O uso de IA em astronomia oferece vantagens em relação a métodos tradicionais, principalmente em termos de velocidade e escalabilidade. Modelos de aprendizado de máquina conseguem analisar volumes massivos de dados em tempos inviáveis para abordagens clássicas. Esses modelos também identificam padrões complexos e correlações não lineares sem a necessidade de regras explícitas.
Além da rapidez, a flexibilidade da IA facilita sua aplicação em diferentes problemas astrofísicos, desde a identificação de exoplanetas potencialmente habitáveis até o refinamento de imagens de buracos negros. Esses métodos já demonstraram utilidade como ferramentas complementares à análise tradicional. Mas é importante destacar que a IA não substitui o cientista mas é uma ferramenta para lidar com a complexidade e a escala da Astronomia atualmente.
Referência da notícia
O'Ryan & Gómez 2026 Identifying astrophysical anomalies in 99.6 million source cutouts from the Hubble legacy archive using AnomalyMatch Astronomy & Astrophysics