O telescópio Sloan Digital Sky Survey localizado no solo capturou uma grande quantidade de espectros de quasares do universo primitivo. Uma rede neural profunda de IA treinada descobriu, pela primeira vez, sondas de linhas de absorção de carbono neutras fracas e recordes criadas pelo meio frio das primeiras galáxias dentro desses dados espectrais de quasar. Crédito: YI Yuechen
Os cientistas usaram a aprendizagem profunda para analisar dados espectrais de quasares do SDSS-III, detectando com sucesso 107 absorvedores de carbono neutros raros e fornecendo novos insights sobre a evolução inicial das galáxias. Seus métodos podem mudar a forma como os astrônomos usam a IA para estudar o universo, complementando outras ferramentas de pesquisa como o Telescópio Espacial James Webb.
Recentemente, pesquisadores procuraram sinais fracos raros em dados espectrais de quasares divulgados pelo programa Sloan Digital Sky Survey III (SDSS-III) usando redes neurais de aprendizagem profunda. Ao introduzir um novo método para explorar a formação e evolução de galáxias, a equipe demonstrou o potencial da inteligência artificial (IA) na identificação de sinais raros e fracos em big data astronômicos. Este estudo, publicado recentemente em Avisos mensais da Royal Astronomical Societyfoi conduzido por uma equipe internacional liderada pelo Prof. Jian Ge do Observatório Astronômico de Xangai da Academia Chinesa de Ciências.
Desafios na detecção de absorvedores de carbono neutros
“Absorvedores de carbono neutro” de gás frio com poeira no universo servem como sondas cruciais para estudar a formação e evolução de galáxias. No entanto, os sinais das linhas neutras de absorção de carbono são fracos e extremamente raros. Os astrônomos têm lutado para detectar esses absorvedores em enormes conjuntos de dados espectrais de quasares usando métodos de correlação convencionais.
“É como procurar uma agulha num palheiro”, disse o Prof. Em 2015, 66 absorvedores de carbono neutro foram descobertos nos espectros de dezenas de milhares de quasares divulgados anteriormente pelo SDSS, que é o maior número de amostras obtidas.
Avanço na Detecção de Absorventes
Neste estudo, a equipe do Prof. Ge projetou e treinou redes neurais profundas com um grande número de amostras simuladas de linhas de absorção de carbono neutras com base em observações reais. Ao aplicar estas redes neurais bem treinadas aos dados do SDSS-III, a equipa descobriu 107 absorvedores de carbono neutro extremamente raros, duplicando o número de amostras obtidas em 2015, e detectou mais sinais fracos do que antes.
Aprimorando a detecção e compreensão da evolução das galáxias
Ao empilhar os espectros de vários absorvedores de carbono neutro, a equipe melhorou significativamente a capacidade de detectar a abundância de vários elementos e mediu diretamente a perda de metal no gás causada pela poeira. Os resultados indicaram que estas galáxias primitivas, contendo sondas absorvedoras de carbono neutras, sofreram uma rápida evolução física e química quando o Universo tinha apenas cerca de três mil milhões de anos (a idade actual do Universo é de 13,8 mil milhões). Estas galáxias estavam a entrar num estado de evolução entre a Grande Nuvem de Magalhães (LMC) e a via Láctea (MW), produzindo uma quantidade substancial de metais, alguns dos quais ligados para formar partículas de poeira, levando ao efeito observado de vermelhidão da poeira.
Complementando as descobertas do Telescópio Espacial James Webb
Esta descoberta corrobora de forma independente descobertas recentes do Telescópio Espacial James Webb (JWST), que detectou poeira de carbono semelhante ao diamante nas primeiras estrelas do Universo, sugerindo que algumas galáxias evoluem muito mais rapidamente do que o anteriormente esperado, desafiando os modelos existentes de formação e evolução de galáxias.
Ao contrário do JWST, que realiza pesquisas através de espectros de emissão de galáxias, este estudo investiga galáxias primitivas observando os espectros de absorção de quasares. A aplicação de redes neurais bem treinadas para encontrar absorvedores de carbono neutros fornece uma nova ferramenta para pesquisas futuras sobre a evolução inicial do universo e das galáxias, complementando os métodos de pesquisa do JWST.
Direções Futuras e Inovações em IA
“É necessário desenvolver algoritmos de IA inovadores que possam explorar de forma rápida, precisa e abrangente sinais raros e fracos em dados astronômicos massivos”, disse o Prof. A equipe pretende promover o método introduzido neste estudo para reconhecimento de imagens, extraindo múltiplas estruturas relacionadas para criar imagens artificiais “multiestruturadas” para treinamento eficiente e detecção de sinais de imagem fracos.
Referência: “Detecting rare neutral atomic-carbon absorbers with a deep neural network” por Jian Ge, Kevin Willis, Kaixuan Chao, Albert Jan, Yinan Zhao e Hannah Fang, 14 de maio de 2024, Avisos mensais da Royal Astronomical Society.
DOI: 10.1093/mnras/stae799
