Já relatamos as incríveis habilidades de coleta de dados de Gaia no passado. Recentemente, lançou o DR3, seu conjunto de dados mais recente, com mais de 1,8 bilhão de objetos. São muitos dados para filtrar, e uma das maneiras mais eficazes de fazer isso é por meio do machine learning. Um grupo de pesquisadores fez exatamente isso usando um algoritmo de aprendizado supervisionado para classificar um determinado tipo de objeto encontrado no conjunto de dados. O resultado é um dos catálogos mais abrangentes do mundo sobre o tipo de objeto astronômico conhecido como variável.
Por definição, as variáveis mudam de brilho ao longo do tempo. E Gaia, que monitora vastas partes do céu por longos períodos, é particularmente hábil em encontrá-los. Na verdade, encontrou algo da ordem de 12,4 milhões de fontes variáveis, das quais cerca de 9 milhões eram estrelas. Os mais de 3 milhões ou mais eram núcleos galácticos ativos ou as próprias galáxias. Todos esses objetos tiveram mudanças em seu brilho em algum ponto ou outro durante a observação deles por Gaia.
Reconhecidamente, 12,4 milhões de 1,8 bilhão é apenas cerca de 0,6% do total de objetos observados em DR3. No entanto, ainda há muitos dados com os quais trabalhar, e eles podem conter informações que os astrônomos gostariam de entender sobre o que causa certos tipos de variabilidade.
De acordo com os pesquisadores, essas causas resultam em tipos muito diferentes de variabilidade – 25 tipos diferentes para ser preciso. Seu artigo, lançado no arXiv, inclui categorias como pulsante, eclipsante, rotacional, microlente e cataclísmico. Esse último parece empolgante, e há 7306 deles no conjunto de dados, embora o brilho desses eventos varie amplamente, mesmo dentro de categorias individuais.
Para classificar os 12,4 milhões de objetos em cada uma dessas categorias, os pesquisadores recorreram a um dos algoritmos mais úteis para fazer exatamente isso – machine learning. Em particular, eles usaram uma técnica chamada “classificação supervisionada”. Basicamente, isso significa que eles tiveram a ajuda humana de um algoritmo de IA para identificar recursos de uma determinada classificação e, em seguida, forneceram feedback manual sobre se um objeto atendia aos critérios de classificação nessa categoria.
Eventualmente, os algoritmos poderiam pegar características definidoras das diferentes categorias e classificar objetos que os humanos nunca haviam examinado nessas categorias com relativa precisão. As características específicas que definem cada categoria também são definidas no artigo. Por exemplo, as variáveis cataclísmicas têm um nível mais alto de probabilidade de variabilidade do que outros objetos no conjunto de dados.
Muita manipulação manual de dados foi incluída na coleta final, embora também tenha sido discutida longamente no artigo de 105 páginas. No entanto, havia alguns problemas fundamentais sobre como o Gaia observa objetos que poderiam eliminar algumas variáveis potenciais dessa coleção. Por exemplo, o Gaia não amostra todo o céu o tempo todo, então as variáveis cuja variabilidade dura menos do que um determinado período de tempo podem ser perdidas se o Gaia não observar seu caminho durante as mudanças. Não é provável que seja um grande número de variáveis, mas algumas são indubitavelmente perdidas neste conjunto de dados.
O que o conjunto de dados representa, porém, é o catálogo mais abrangente do mundo de objetos astronômicos variáveis e as ferramentas para fazer ciência com eles. Esses tipos de lançamentos de dados são precisamente o tipo de marco que mantém a astronomia avançando. E Gaia ainda tem mais por vir, com o DR4 a caminho algum tempo depois de 2025. Portanto, os astrônomos terão muito tempo para despejar todos os dados do DR3 em detalhes antes do próximo lançamento maciço de dados.
Publicado em 12/12/2022 23h56
Artigo original:
Estudo original: