Uso de IA contribui para classificação de objetos astronômicos em larga escala

Nas últimas décadas, a Astronomia tem lidado com o avanço de telescópios como o James Webb e o Vera Rubin. Com cada vez mais telescópios sendo lançados e observatórios construídos, a área tem que lidar com grande volume de dados. Isso torna a classificação manual de objetos astronômicos inviável. Principalmente quando imagens e espectros precisam ser analisados para identificar sua natureza e propriedades.

Para isso, novos métodos têm sido propostos para tentar acelerar o processo de classificação de objetos astronômicos. Um novo método consiste no uso de inteligência artificial (IA) que tem sido uma ferramenta útil nesse processo. Modelos de aprendizado de máquina podem ser treinados para reconhecer padrões em dados astronômicos e classificar tipos de objetos. Esses modelos aprendem com catálogos já classificados e, depois de treinados, conseguem analisar milhões de novos dados rapidamente.

Recentemente, astrônomos chineses desenvolveram um novo modelo de IA capaz de realizar classificações em larga escala de diferentes tipos de objetos astronômicos. O modelo aprendeu a classificar objetos como galáxias, estrelas e quasares com base na morfologia e nos SEDs. O modelo foi testado em observações reais e demonstrou um bom desempenho na classificação dos objetos presentes.

Classificação de objetos astronômicos

Classificar objetos astronômicos é uma área importante dentro da Astronomia porque é a partir daí que é possível entender diferentes objetos e fenômenos do Universo. Ao classificar objetos é possível encontrar propriedades semelhantes e explicar um grupo que tenha características em comum. Atualmente, o problema que a área encontra é a grande quantidade de dados disponíveis.

Além da quantidade, a qualidade dos dados também é um obstáculo. Muitas imagens são incompletas ou possuem ruído dificultando a identificação correta dos objetos. Isso é ainda mais evidente nas observações de objetos distantes. Diferenças pequenas entre classes astronômicas e a presença de fenômenos raros ou desconhecidos também aumentam a complexidade da tarefa.

SEDs e morfologia

Na Astronomia, há dois métodos mais comuns quando é necessário classificar um objeto astronômico. Um deles é o uso de distribuições de energia espectral (SEDs) e o outro é a análise da própria morfologia do objeto. A SED mostra como a energia de um objeto é distribuída ao longo de diferentes comprimentos de onda. Ela é importante para mostrar composição, presença de fenômenos e até propriedades como massa e idade.

Já a análise morfológica envolve o estudo da forma e estrutura dos objetos em imagens registradas pelos telescópios. No caso de galáxias, por exemplo, é possível classificá-las como espirais, elípticas ou irregulares com base em seu formato. Além disso, as imagens e a morfologia podem apresentar fenômenos que são detectados visualmente. Combinando SEDs e morfologia, os astrônomos obtêm uma classificação mais precisa.

Uso de rede neural

Com esse aumento considerável de dados astronômicos, o aprendizado de máquina tem ganhado cada vez mais espaço na área de classificação. Em especial, as redes neurais que tem destaque quando a quantidade de dados é grande e ajuda a acelerar o processo. Uma vez treinadas com catálogos de objetos já identificados, essas redes aprendem a reconhecer padrões em imagens, espectros ou SEDs e conseguem classificar novos dados em segundos, algo que levaria meses manualmente.

Além da velocidade, redes neurais aumentam a precisão da classificação ao detectar padrões que podem passar despercebidos por métodos tradicionais. Elas são capazes de lidar com dados incompletos, imagens com ruído ou baixa resolução, e até distinguir entre classes semelhantes. Esses modelos vem cada vez mais se tornando ferramentas atraentes dentro da Astronomia para descoberta e catalogação.

Acelerando o processo de classificação

Uma time de astrônomos chineses desenvolveu um modelo de rede neural multimodal capaz de processar simultaneamente características morfológicas e SEDs. Ao integrar essas duas fontes de dados, o modelo alcançou alta precisão na classificação de estrelas, quasares e galáxias. O treinamento foi feito com base em objetos confirmados do SSDS.

Ao ser aplicado a dados recentes, o modelo conseguiu classificar com sucesso mais de 27 milhões de objetos cobrindo cerca de 1.350 graus quadrados do céu. Testes com 3,4 milhões de fontes do Gaia com movimento próprio ou paralaxe mostraram que o modelo identificou corretamente 99,7% como objetos estelares. O estudo também demonstrou que o modelo foi capaz de corrigir erros de classificação em catálogos existentes, identificando corretamente como galáxias alguns objetos rotulados como estrelas.

Referência da notícia

Feng et al. 2025 Morpho-photometric Classification of KiDS DR5 Sources Based on Neural Networks: A Comprehensive Star–Quasar–Galaxy Catalog The Astrophysical Journal Supplement Series