O desenvolvimento e aprimoramento das tecnologias de Inteligência Artificial estão impulsionando uma transformação em diversos setores, incluindo o da Astronomia em todo mundo. Claro que a Astronomia tradicional ainda desempenha um papel vital. Porém, a nova Astronomia, que faz uso da Machine Learning, está revelando grandes descobertas com muito mais rapidez. Aliás, você sabe o que é Machine Learning?
Pois bem, Machine Learning tem tudo a ver com o "aprendizado das máquinas". Trata-se de uma disciplina da área da Inteligência Artificial que, por meio de algoritmos, dá aos computadores a capacidade de identificar padrões em dados massivos e fazer previsões ou análise preditiva. E essa tecnologia tem gerado grande influência sobre a Astronomia. Um exemplo é o programa de aprendizado de máquina chamado ASTRONOMALY. Continue lendo este texto do Engenharia 360 para saber mais!
O que é o ASTRONOMALY?
O programa ASTRONOMALY foi desenvolvido especialmente para a observação de galáxias. Ele já registrou diversas imagens de galáxias do Dark Energy Camera Legacy Survey (DECaLS). Foi quando descobriu quase 2 mil anomalias, incluindo 18 fontes anteriormente não identificadas com "morfologia altamente incomum". Sim, isso é algo especial, pois os programas anteriores de detecção de anomalias, por serem executados de forma dita "não supervisionada", só conseguem identificar fenômenos específicos. Já no novo modelo pode encontrar mais tipos de anomalias.
Descobertas mais significativas do ASTRONOMALY
Antes de falar sobre a importância da Machine Learning nesses casos, vamos explorar melhor o que foi descoberto com o ASTRONOMALY. Dentre as anomalias interessantes, foram detectadas galáxias em anel com cores e morfologias estranhas, fontes metade vermelhas e metade azuis, sistemas potencialmente fortemente lenteado com pares de fontes atuando como lentes, grupos de galáxias interagindo conhecidos, fontes que estão interagindo ou alinhamentos coincidentes, além de objetos com características peculiares, como emissões de rádio e lentes gravitacionais.
Como o Machine Learning contribui para o desempenho do ASTRONOMALY?
Sistemas como o ASTRONOMALY não seriam possíveis de funcionar bem sem o desenvolvimento da tecnologia de Inteligência Artificial. Calma, vamos explicar melhor! É que são tantos dados coletados que seria impossível um humano sozinho analisar tantas informações, aí é que entra a questão da Machine Learning. Em cada etapa, em cada novo aprendizado ativo dos humanos, pode-se corrigir os erros do sistema e os astrônomos, assim, obter resultados mais precisos e identificação de objetos raros em questão de horas.
Astrônomos usaram um algoritmo de machine learning que analisou 4 milhões de galáxias em busca de anomalias. É o papel e o poder da inteligência artificial dentro da astronomia!!!
LEIA AGORA NO BLOG!!!
LEIA MAIS
Algoritmo De Machine Learning Analisou 4 Milhões de Galáxias Atrás de… pic.twitter.com/eVKNR38P0Q
— Sacani (Space Today) - AKA Gordão Foguetes (@SpaceToday1) September 24, 2023
PUBLICIDADE
CONTINUE LENDO ABAIXO
Vamos pegar como exemplo o Observatório Vera Rubin, um telescópio de pesquisa. Ele gera 20 terabytes de dados todas as noites. É claro que análises manuais seriam impossíveis nesse caso, tornando o uso da IA crucial, ou seja, colaboração entre humanos e software, permitindo que a ciência observacional ultrapasse as limitações individuais. Com o ASTRONOMALY foram analisadas 4 milhões de imagens - tem noção do que é isso? -, 1.635 anomalias.
Vale destacar que o único desafio ainda não superado pelos cientistas nesse processo é a transferência de dados. Seria preciso, à medida que avançássemos nessa exploração do universo, apresentar logo soluções mais poderosas em termos de computação, mais eficientes do que transferir grandes volumes de dados para fora do local.
Proposta para o desafio da transferência de dados
Então o cenário é o seguinte: grande volume de informações gerados por telescópios, muitas anomalias identificadas em meio a esses dados, e a necessidade de agilizar a transferência de dados do servidor host para computadores locais.
Por hora, a solução que os cientistas veem para o desafio da transferência de dados é levar o poder computacional diretamente para o observatório anfitrião, em vez de tentar transferir grandes quantidades de dados para fora do local. Isso reduziria significativamente o tempo gasto na transferência e permitiria que o processamento e a análise ocorressem mais eficientemente no próprio observatório.
PUBLICIDADE
CONTINUE LENDO ABAIXO
Veja Também:
Fontes: Universe Today.
Imagens: Todos os Créditos reservados aos respectivos proprietários (sem direitos autorais pretendidos). Caso eventualmente você se considere titular de direitos sobre algumas das imagens em questão, por favor entre em contato com contato@engenharia360.com para que possa ser atribuído o respectivo crédito ou providenciada a sua remoção, conforme o caso.
Comentários
Eduardo Mikail
Somos uma equipe de apaixonados por inovação, liderada pelo engenheiro Eduardo Mikail, e com “DNA” na Engenharia. Nosso objetivo é mostrar ao mundo a presença e beleza das engenharias em nossas vidas e toda transformação que podem promover na sociedade.
