O Universo está repleto de buracos negros supermassivos. Quase todas as galáxias do cosmos possuem um, e eles são os buracos negros mais estudados pelos astrônomos.
Um par de galáxias de disco nos estágios finais de uma fusão. Crédito: NASA
Mas uma coisa que ainda não entendemos é como eles cresceram tão rapidamente. Para responder a esta questão, os astrónomos têm de identificar muitos buracos negros no Universo primitivo e, uma vez que são normalmente encontrados em galáxias em fusão, isso significa que os astrónomos têm de identificar com precisão as galáxias primitivas. À mão. Mas graças ao poder do aprendizado de máquina, isso está mudando.
Com o poder dos levantamentos celestes atuais e futuros, o desafio da astronomia tem menos a ver com a captura dos dados corretos e mais com a filtragem dos dados corretos do vasto tesouro que reunimos. É necessária muita habilidade para distinguir uma verdadeira galáxia em fusão de uma galáxia irregular ou de duas galáxias independentes que por acaso são vistas na mesma região do céu.
As pessoas podem ser treinadas para fazê-lo bem, mas a necessidade de identificadores qualificados ultrapassa em muito o número de pessoas qualificadas. Uma maneira de superar isso é permitir que voluntários preencham a lacuna. Em geral, as suas identificações não serão tão precisas como as dos profissionais, mas um pouco de estatística permitirá aos astrónomos recolher informações úteis.
Este novo estudo adota uma abordagem diferente. Em vez de especialistas treinarem voluntários, eles usaram especialistas para treinar algoritmos de aprendizado de máquina. É mais fácil falar do que fazer. Mesmo o especialista mais habilidoso ocasionalmente cometerá erros ou terá certos preconceitos, e qualquer software treinado nesse especialista terá os mesmos preconceitos.
Verdadeiros positivos versus falsos positivos na identificação de aprendizado de máquina. Crédito: Avirett-Mackenzie, et al
Assim, a equipa fez parceria com as Aplicações de Big Data para Estudos de Evolução de Buracos Negros (BiD4BEST), que é um projeto da UE que fornece uma rede de formação para dados de evolução de buracos negros. Juntos, recorreram a especialistas qualificados para identificar fusões de buracos negros tanto em dados simulados como em dados do Sloan Digital Sky Survey (SDSS).
Ao comparar os dois, a equipe conseguiu remover preconceitos dos dados de aprendizado de máquina. O resultado foi bastante bem sucedido. Quando as classificações de algoritmos foram comparadas com fusões simuladas, descobriram que tinham uma precisão bem superior a 80%, comparável à dos especialistas mais qualificados.
A equipe então usou o software para identificar mais de 8.000 buracos negros ativos e descobriu uma conexão interessante entre o crescimento dos buracos negros e suas galáxias. Não são as fusões galácticas que desencadeiam o crescimento de buracos negros supermassivos, mas sim grandes quantidades de gás frio próximo.
A equipe descobriu que as fusões só impulsionam um crescimento rápido quando envolvem a fusão de galáxias com formação estelar ricas em gás e poeira. Assim, as mesmas condições que levam à formação de estrelas também levam à formação de buracos negros supermassivos. Esta é parte da razão pela qual as galáxias e os seus buracos negros parecem crescer em paralelo.
À medida que continuamos a capturar dados astronómicos a uma taxa quase exponencial, o software será um complemento necessário para observadores qualificados. Como este estudo mostra, os dois podem ser usados juntos de forma eficaz.
Fonte: Universetoday.com
Nenhum comentário:
Postar um comentário