Pesquisadores dos Observatórios de Yunnan, da Academia Chinesa de Ciências, desenvolveram um novo modelo de rede neural capaz de classificar com alta precisão estrelas, galáxias e quasares, um avanço significativo para a astronomia moderna. O estudo foi publicado recentemente no The Astrophysical Journal Supplement Series.
A correta identificação desses objetos é essencial para o entendimento da estrutura e evolução do universo. Porém, o método tradicional (a espectroscopia) embora preciso, é extremamente custoso e demorado. Já as imagens fotométricas, apesar de mais eficientes, enfrentam limitações ao lidar com fontes de brilho e morfologia semelhantes, como quasares e estrelas com alto desvio para o vermelho.
Para superar esse desafio, a equipe criou um modelo de rede neural multimodal. Ele é capaz de integrar simultaneamente características morfológicas e dados da distribuição espectral de energia (SED), combinando diferentes tipos de informações para refinar a classificação. O modelo foi treinado com dados espectroscopicamente confirmados do Sloan Digital Sky Survey (SDSS), criando uma base robusta para classificação futura.
O modelo foi então aplicado ao Kilo-Degree Survey (KiDS), onde analisou mais de 27 milhões de fontes celestes mais brilhantes que magnitude r = 23, cobrindo aproximadamente 1.350 graus quadrados do céu. Em testes de validação, a rede neural demonstrou precisão impressionante.
Quando confrontado com 3,4 milhões de fontes do satélite Gaia (com características cinemáticas associadas a estrelas), o modelo identificou corretamente 99,7% como objetos estelares. Resultados igualmente eficazes foram obtidos com o Galaxy And Mass Assembly Data Release 4, com 99,7% de precisão na classificação entre galáxias e quasares.
Além do desempenho de classificação, o modelo demonstrou outra habilidade notável: a capacidade de corrigir classificações equivocadas de catálogos astronômicos existentes. Em análises pontuais, objetos visivelmente galácticos, mas erroneamente identificados como estrelas no SDSS, foram reclassificados corretamente pelo sistema de inteligência artificial.
Esse avanço destaca o potencial das redes neurais para aprimorar catálogos astronômicos e facilitar grandes levantamentos celestes, economizando tempo e recursos valiosos. O modelo ainda poderá ser utilizado em projetos futuros de mapeamento do céu, como os realizados com o telescópio Rubin e a missão Euclid.
Sobre a iamgem: Diferenças em SEDs, características espectroscópicas e morfologias espaciais entre vários tipos de objetos celestes. De cima para baixo, os exemplos mostrados correspondem a uma galáxia, um quasar e uma estrela. Os dados espectroscópicos são do SDSS, enquanto os SEDs e os dados de imagem são do KiDS. Crédito: The Astrophysical Journal Supplement Series (2025).
Link do estudo: https://iopscience.iop.org/article/10.3847/1538-4365/adde5a
Deixe uma resposta