Cerca de 116 mil novas estrelas variáveis foram encontradas por astrônomos da Ohio State University, com a ajuda de um algoritmo de aprendizado de máquina. A descoberta é fruto do projeto The All-Sky Automated Survey for Supernovae (ASAS-SN), composto por uma rede de 20 telescópios espalhados pelo mundo. Juntos, eles conseguem observar o céu completamente, com profundidade quase 50 vezes maior que aquela dos olhos humanos.
As estrelas variáveis são objetos que, como o nome indica, têm brilho que varia ao longo do tempo, principalmente quando são observadas da Terra. Estas mudanças podem revelar informações importantes sobre elas, como seu raio, temperatura e até a composição. Por isso, levantamentos como aquele realizado pelo ASAS-SN são importantes para a descoberta de sistemas capazes de revelar a complexidade dos processos estelares.
Collin Christy, autor principal do novo estudo, descreve que as estrelas variáveis são como laboratórios estelares para os pesquisadores. “Na verdade, elas são ótimos lugares no universo para estudarmos e aprendermos mais sobre como as estrelas funcionam, e as pequenas complexidades que elas têm”, disse, em um comunicado.
Para o estudo, os autores tiveram que revisitar dados coletados pelo projeto, mas que não foram usados. Por anos, o ASAS-SN observou o céu com filtros de banda V, lentes que identificam somente as estrelas que emitem luz no espectro visível. Já em 2018, o projeto usou filtros de banda G, capazes de detectar mais variações de luz azul. Como resultado, a rede tornou-se capaz de observar mais de 100 milhões de estrelas.
Depois, a equipe usou um algoritmo de aprendizado de máquina (machine learning) para gerar uma lista com 1,5 milhão de estrelas variáveis candidatas a partir de um catálogo, composto por cerca de 55 milhões delas. Com isso, eles conseguiram reduzir a quantidade de possíveis objetos: no fim, das 1,5 milhão de candidatas, quase 400 mil se mostraram estrelas variáveis reais. Mais da metade delas já era conhecida, e 116.027 foram novas descobertas.
O algoritmo foi de grande ajuda para o trabalho, e a equipe de Christy ressalta que os cientistas cidadãos não precisam ficar de fora dele — tanto que já há voluntários analisando os dados descartados. “Ter pessoas nos dizendo como nossos ‘dados lixo’ são, é bastante útil, porque inicialmente o algoritmo iria olhar os dados ruins e tentaria encontrar sentido neles”, disse. Este conjunto de dados inicialmente descartados poderá ajudar a equipe a modificar e melhorar a performance geral do algoritmo.
Fonte: news.osu.edu
Nenhum comentário:
Postar um comentário