Aprendizado de máquina assume papel de protagonista na exploração do universo

Sep 06, 2023

Astrônomos da Penn State - e co-contratos do Institute for Computational and Data Sciences - estão usando algoritmos de aprendizado de máquina para examinar o tesouro de dados do Telescópio Espacial James Webb. Eles dizem que essa informação já está mudando nossa compreensão do universo. Crédito: NASA e o Space Telescope Science Institute. Todos os direitos reservados.

16 de março de 2023

Por Matt Swanne

UNIVERSITY PARK — As belas e intrincadas imagens do universo transmitidas pelo Telescópio Espacial James Webb (JWST) são mais do que apenas belos pixels que aparecem nas telas de computadores ou smartphones. Essas imagens representam dados — muitos e muitos dados; na verdade, o JWST ofereceaproximadamente 235 gigabytes de dados científicos todos os dias– aproximadamente a mesma quantidade de dados em uma sessão de 10 dias de filmes em alta definição.

O JWST e outros telescópios e sensores forneceram aos astrônomos de hoje um fluxo cada vez maior de dados. Essas fontes dão aos astrônomos a capacidade sem precedentes de olhar mais fundo no espaço e mais longe no tempo do que nunca – para fazer novas descobertas, incluindo estudar como as estrelas morrem. O trabalho recente da Penn State usando dados do JWST podemudar a forma como os cientistas entendem a origem das galáxias.

No entanto, gerenciar todos esses dados não é isento de problemas. Os astrônomos devem contar com supercomputadores e algoritmos avançados, conhecidos como aprendizado de máquina, para pegar essa enxurrada de dados e criar modelos precisos da vastidão do espaço, revelar descobertas e inspirar novas perguntas, além de criar imagens impressionantes do universo.

Joel LejaeV. Ashley Villar, ambos professores assistentes de astronomia e astrofísica e co-contratados do ICDS, estão entre os cientistas que estabelecem a Penn State como líder no uso de técnicas de aprendizado de máquina para lidar melhor com fluxos massivos de dados.

De acordo com Leja, as abordagens de aprendizado de máquina permitem que os pesquisadores analisem os números com mais eficiência e precisão do que os métodos anteriores. Em alguns casos, como na interpretação de imagens de galáxias, essas técnicas de aprendizado de máquina podem ser quase um milhão de vezes mais rápidas do que as análises tradicionais, acrescentou.

Antes do advento do aprendizado de máquina, a análise de dados envolvia o uso de equações analíticas e a compilação de grandes quantidades de dados em tabelas. Pesquisadores - muitas vezes estudantes de pós-graduação - gastariam uma quantidade considerável de tempo coletando e analisando dados. Sem o aprendizado de máquina, os cálculos costumavam ser repetitivos e demorados, e não havia uma maneira eficiente de acelerar o processo.

Leja disse que era como planejar uma viagem extremamente complicada.

"Digamos que você esteja tentando encontrar o melhor caminho de Los Angeles a São Francisco", disse Leja. "Usando as técnicas antigas, faríamos uma lista de estradas, tentaríamos todas as rotas, calcularíamos a distância total em cada pequena estrada - as pequenas estradas, as principais rodovias, as rotatórias - e precisaríamos mapear cada rota, fazendo isso um por um. Não é uma maneira muito boa de fazer isso. Normalmente, você obtém a resposta certa, mas o aprendizado de máquina tenta fazer isso de uma maneira muito mais inteligente usando dados. Por exemplo, ele pode usar milhões de rotas de viagem anteriores e apenas pergunte rapidamente qual é o mais rápido."

O aprendizado de máquina não reduz apenas o trabalho humano, as abordagens podem reduzir o trabalho computacional, o que, por sua vez, economiza energia, de acordo com Villar.

"A questão da mão de obra humana é importante, mas também temos que considerar a questão da mão de obra informática", disse Villar. "Está usando muitas horas de tempo computacional, o que também significa que está usando muita energia."

O Telescópio Espacial James Webb está fazendo mais do que tirar belas fotos - está coletando dados que podem nos ajudar a entender melhor o universo. O aprendizado de máquina está ajudando os astrônomos a examinar esses dados. Crédito: NASA e o Space Telescope Science Institute (STScI). Todos os direitos reservados.

Modificador de campo