Com o Cherenkov Telescope Array (CTA) que está atualmente em construção, os pesquisadores esperam observar raios gama altamente energéticos que podem levar à descoberta de novos objetos dentro e fora de nossa galáxia e até mesmo desvendar o mistério da matéria escura. No entanto, identificar esses raios gama não é fácil. Pesquisadores do consórcio CTA agora estão tentando aperfeiçoá-lo com redes neurais treinadas no supercomputador Piz Daint.
Após a conclusão em 2025, o Cherenkov Telescope Array (CTA) será o maior conjunto de telescópios de observação de raios gama já construído. Mais de 100 telescópios com diâmetros entre 4 e 23 metros estão sendo instalados nos hemisférios norte e sul, no Observatório Roque de los Muchachos nas Ilhas Canárias La Palma e no Deserto de Atacama, no Chile. Os telescópios são projetados para registrar de forma abrangente os flashes de luz induzidos pelos raios gama que viajam pelo cosmos e atingem a atmosfera da Terra. Os raios gama se originam de eventos cósmicos violentos e são um trilhão de vezes mais energéticos do que a luz visível. Eles são gerados pelos chamados “aceleradores de partículas cósmicas”, como explosões de supernovas ou buracos negros supermassivos devorando estrelas circundantes, gás e poeira.
Extrair raios gama do chuveiro de partículas representa um desafio
Quando os raios gama atingem a atmosfera da Terra, eles interagem com os átomos e moléculas do ar para criar uma chuva de partículas, que produz principalmente flashes de luz azuis chamados luz Cherenkov. Essa luz é coletada pelo sistema de espelho do telescópio especialmente projetado e focada em câmeras extremamente rápidas. Com esses dados, os pesquisadores podem tirar conclusões sobre a origem dos raios gama que possibilitariam a descoberta de centenas de novos objetos em nossa própria galáxia, a Via Láctea, e até mesmo em galáxias estelares e buracos negros supermassivos fora dela. Os raios gama detectados pelo CTA poderiam, entre outras coisas, também fornecer uma assinatura direta da matéria escura, cuja existência é apoiada por observações indiretas, mas nunca foi observada diretamente.
As fotos desses eventos cósmicos coletadas pelo CTA mostram elipses alongadas, de acordo com Etienne Lyard e seus colegas do Département d’Astronomie, Université de Genève, em seu último estudo publicado no Journal of Physics: Conference Series. Existem dois tipos de partículas que causam esses eventos: hádrons, que são os mais numerosos; e as partículas de interesse, os fótons de alta energia chamados de raios gama. “Os pesquisadores estão mais interessados nos raios gama, já que eles atravessam o espaço interestelar em linha reta, enquanto os hádrons, sendo partículas carregadas, se dobram devido aos campos magnéticos”, diz Lyard.
Existem procedimentos bem estabelecidos para diferenciar entre raios gama e hádrons; mas, para ter a maior certeza possível de que apenas os raios gama são detectados e avaliados, muitos eventos ambíguos são filtrados, o que reduz a sensibilidade geral dos instrumentos. No entanto, às vezes os eventos de hadron ainda são falsamente identificados como raios gama, que contaminam o experimento como ruído de fundo.
Redes neurais melhoram a sensibilidade do conjunto de telescópios
Para melhorar o procedimento de discriminação entre hádrons e raios gama e, assim, a sensibilidade dos observatórios, Lyard e sua equipe agora tentaram distingui-los uns dos outros usando redes neurais convolucionais profundas (CNNs) treinadas no supercomputador CSCS Piz Daint. Eles avaliaram o desempenho das CNNs em comparação aos métodos convencionais de detecção de raios gama (Boosted Decision Trees) por meio de eventos gerados com simulações de Monte Carlo, que, segundo os autores, se aproximam dos eventos reais. “Nosso trabalho é uma tentativa de usar redes neurais de visão computacional, uma espécie de visão de máquina, que processa e analisa as imagens capturadas por câmeras de várias maneiras e as adapta para trabalhar em nossos dados”, diz Lyard. E acontece que, sob condições específicas, as CNNs superam as técnicas clássicas.
Embora ainda haja muito espaço para melhorias na arquitetura das CNNs, os pesquisadores estão convencidos de que essas e outras abordagens de aprendizado de máquina podem ajudar a obter a melhor produção científica do observatório do CTA. “Estamos confiantes de que essas abordagens se tornarão a norma, porque já superam as técnicas de ponta, embora nenhuma informação sobre os processos físicos em funcionamento tenha sido colocada na análise”, diz Lyard. “Conforme nossa compreensão das CNNs cresce, critérios mais apropriados – como o tempo de desenvolvimento das elipses alongadas – serão usados para realizar a análise, e o desempenho geral certamente irá melhorar também.”
Publicado em 26/08/2020 09h29
Artigo original:
Estudo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: