DEV Community: Vitória Belo Campos

Como podemos utilizar inteligência artificial para decifrar a cosmologia?

Vitória Belo Campos — Thu, 10 Jun 2021 23:57:22 +0000

                          INTRO

Há pouco na sociedade foi introduzido o conceito de galáxia e universo em expansão como temos noção atualmente. Há menos de 100 anos estavam sendo discutidos os primeiros passos de uma tecnologia tão crucial em nossas vidas como a inteligência artificial.

Alan Turing em 1947 sugeriu que os computadores começassem a tomar decisões por si, a partir de vários exemplos que fossem imersos. Ou seja, eles fariam algo além de trabalhos metódicos que precisam de inputs vindos de humanos.

Em 1920 houve apresentações divergentes de trabalhos voltados para definição de qual seria a composição e escala do universo, uma vez que existiam até então nebulosas observadas que não sabiam a natureza. Foi conhecido como o Grande Debate e seus participantes eram Heber D. Curtis e Harlow Shapley.

Em seus estudos, Shapley utilizando erroneamente Variáveis Cefeidas – estrelas que mudam periodicamente sua luminosidade - defendia que a Via Láctea era todo o universo. Em contrapartida, Hurtis defendia que as nebulosas eram como a Via Láctea e estavam fora do nosso domínio.

No ano 1912, Henrietta-Leavitt teve suas ideias expostas ao meio acadêmico mostrando a relação de período-luminosidade sendo capaz de medir distâncias. Utilizando 1800 Cefeidas, Leavitt encontrou dentro deste grupo uma categoria de estrelas que possuíam brilho proporcional ao período e assim aplicando a lei de potência inversa, determinou distância até as Cefeidas.

Somente anos depois em 1923, Hubble apontou o telescópio para Andrômeda e utilizando a relação de Henrietta determinou finalmente que as nebulosas eram extragalácticas. Hubble passou 31 dias observando Andrômeda e acabou detectando uma Cefeida; por isto pôde medir a distância até a estrela na galáxia de Andrômeda. O resultado trouxe à tona a existência de outros objetos parecidos com a Via Láctea morfologicamente e grandes distâncias para o universo observável.

Nos anos 1929, Hubble publica o artigo em que descreve a relação entre distância e velocidade de recessão de galáxias, demonstrando que o universo está expandindo e alterando completamente a noção de realidade da época. O gráfico (VxD) é linear e a inclinação desta reta equivale a constante de expansão do universo. Hubble mostra que as galáxias estão se afastando de nós com velocidade proporcional à distância até nós, ou seja, quanto mais longe estiver mais rápido se afasta.

             IA E COSMOLOGIA: ONDE CONVERGEM?

A inteligência artifical e sua subárea: aprendizado de máquina supervisionado e a astrofísica/cosmologia utilizam loops de métodos: pesquisa, educação e aplicação.

Basicamente, a cosmologia traz o problema para a máquina aprender soluções e eventualmente as metodologias são aplicadas em áreas de bem comum a sociedade. A necessidade de resolver os mistérios da matéria escura e da energia escura (que juntas representam 95% do universo) e encontrar vida em outras partes do universo não será possível sem métodos estatísticos e análise de dados que ainda precisam ser inventados. Nenhum olho humano jamais inspecionará todas as 50 bilhões de galáxias do universo visível, nem os 7.500 bilhões de sistemas planetários potencialmente habitáveis: precisamos de máquinas para fazer isso por nós.

Este texto explorará como a inteligência artificial (IA) enfrentará os desafios impostos pela Big Data para ajudar a responder a questões fundamentais do cosmos.

A cosmologia busca atualmente responder 3 questões fundamentais e nestas 3, a inteligência artificial tem um papel crucial para otimizar a rapidez para respostas.

   Inicialmente, questiona-se o que é a matéria escura?

Através da imagem conhecida como Bullet Cluster – colisão de dois aglomerados de galáxias em uma escala de tempo de centenas de milhões de anos - é possível ver a colisão da matéria bariônica através do choque das partículas no tom rosa e a ausência de interação de um outro tipo de matéria que fica rondando o choque central – inclusive de porcentagem dominante e possivelmente um novo tipo de matéria fundamental. É sabida certas características da matéria escura - como a interação somente gravitacional, porém não de fato do que é feita.

A segunda grande pergunta é: o que faz o universo acelerar?

Em 1998, as fundações da cosmologia foram abaladas através da pesquisa de 2 times independentes. Em 1988 Brian Schimdt e em 1994 Adam Riess iniciaram um estudo para mapear o universo. Ambos acabaram observando em torno de 50 supernovas - distantes – tipo Ia (anã branca sugando matéria de uma estrela na fase gigante vermelha ou outra anã branca de menor massa) com luz mais fraca do que o esperado, e a partir disso concluíram a expansão acelerada do universo.

Isto levou a então conhecida chaga da cosmologia: energia escura. Ela é capaz de provocar tal aceleração, de maneira que seja oposta à gravidade e compõe cerca de 70% da composição atual do universo. Foi visto que nos últimos 6 bilhões de anos o efeito de expansão ficou mais intenso, embora nunca tenha sido de fato detectada.

    Existe vida em outro lugar?

Nos últimos 10 anos essa pergunta tem ganhado cada vez mais repercussão com a descoberta desenfreada de novos exoplanetas através de várias técnicas de observação e missões de sondas para o meio extra solar. A busca por vida é de maneira genérica, qualquer fase evolutiva vale e até formas diferentes de compreensão para ela existir.

Em todos esses ramos, só há evolução graças aos novos enormes bancos de dados acumulados em vários observatórios terrestres e no espaço. Contudo, mesmo que mais dados signifique melhor investigação, quantidade inimaginável de dados pode significar ser impossível analisar humanamente com profundeza e cautela necessária. Então é aí que a inteligência artificial se faz imprescindível.

A exemplo, sabemos que há mais exoplanetas do que estrelas na nossa galáxia. A partir disso, é possível imaginar a dificuldade de analisar categoricamente dado por dado afim de encontrar condições adequadas para evoluir vida como conhecemos.

Em 2022, teremos o Observatório Vera C. Rubin localizado no Chile que produzirá 200 mil imagens do céu por ano. Tal quantidade exige o intermédio do aprendizado profundo e supervisionado de máquina. O resultado apresentado pelo computador através dessas técnicas apresenta certo grau de probabilidade, já que o sistema é probabilístico.

Dentro da busca de matéria escura, é imprescindível conseguir fazer simulações gigantescas que envolvam várias condições iniciais e várias partículas, de maneira que represente a escala do universo e como o fluxo está sendo desenvolvido. Temos como um parâmetro a simulação conhecida como Illustris TNG. Onde a evolução do gás cósmico está numa escala de tempo de 500 milhões de anos após o Big Bang. Na imagem a seguir, é possível visualizar a intensidade das ondas de choque do gás cósmico, em azul, rodeando colapsos de estruturas de matéria escura, em amarelo/branco. Pode ser interpretado como uma explosão sônica.

É possível realizar com ótima qualidade simulações assim somente para pequeno número de casos, uma vez que é necessário um tempo considerável para o computador fazer sua parte. Utilizando inteligência artificial, esse tempo pode e deverá ser otimizado.

Dentro de simulações, cientistas costumam fazer analogia entre a matéria escura e simulações neurais em larga escala para o universo. É feita conforme aplicação de dados para o aprendizado, a partir daí analisando padrões, a máquina cria suposições de existência de dados ainda não analisados. Por exemplo, é possível introduzir vários rostos de pessoas aleatórias para a máquina fazer o reconhecimento facial dentro de padrões faciais, que ela saberá utilizando estatísticas. A máquina então é capaz de criar rostos inexistentes baseando-se no que foi a ensinada /supervisionada.

Utilizando determinadas condições iniciais para o sistema, é possível fazer o mesmo para descobrir de qual forma a matéria escura foi inserida no início da evolução do universo. É entendido que a matéria escura tem influência na formação de galáxias... Desta forma, entender sua origem e composição cada vez mais faz-se necessário.

Exemplificamos também a classificação de galáxias a partir de sua morfologia. Novamente é dado um banco de dados com diferentes classificações e é perguntada à máquina para tal galáxia, seria ela espiral, elíptica ou irregular?

Outro segmento que o aprendizado de máquina é requisitado está na área de observacional, na limpeza de perturbações indesejadas em primeiro plano das imagens do céu. Há uma crise corrente na qualidade do "céu" devido não somente a poluição luminosa mas também pelo crescimento exponencial de satélites na órbita geodésica baixa. As imagens são poluídas pelo caminho que o satélite percorre. O trabalho da inteligência será produzir correções para esses traços deixados na imagem produzindo um céu mais limpo, embora não seja possível fazer uma correção 100%, pois haverá dados irrecuperáveis já que foram corrompidos.

Como sabemos que nem tudo na vida são flores, apesar do aprendizado de máquina trazer significantes avanços pra severas áreas de conhecimento, ele tem seus próprios problemas a serem corrigidos. Podemos citar o problema de viés/tara - bias problem. Considere a seguinte problemática:

Foi adicionado inúmeros animais para a máquina reconhecer, porém após o aprendizado, foi perguntado um novo tipo de peixe não reconhecido pela máquina e esta por sua vez respondeu indicando ser um leão. Ela nunca tinha o visto ou pouquíssimos exemplos foi o apresentado. Novamente fazendo analogias à reconhecimento facial, em 2018 foi cometido o erro de classificar rostos de pessoas negras como gorilas. A explicação seria não haver no treinamento do sistema da máquina número suficiente de fotos de pessoas negras.

Por fim, vemos que uma nova era deu início e os avanços da tecnologia e conhecimento do universo tendem a nos surpreender e nos mover rumo ao grande sonho de Stephen Hawking: a teoria de tudo.

                   REFERÊNCIAS:

Imagem 1: HUBBLE'S LAW AND EXPANDING UNIVERSE. Disponível em: https://www.pnas.org/content/112/11/3173. Acesso em: 10 de jun de 2021.
Imagem 2:ASTRONOMY PICTURE OF THE DAY. Disponível em: https://apod.nasa.gov/apod/ap060824.html. Acesso em: 10 de jun de 2021.
Imagem 3: ILLUSTRIS TNG COLLABORATION. Disponível em:https://phys.org/news/2018-02-astrophysicists-illustristng-advanced-universe-kind.html. Acesso em: 10 de jun de 2021.
Imagem 4: Disponível em: https://www.gresham.ac.uk/lectures-and-events/ai-universe. Acesso em: 20 de maio de 2021.
Imagem 5: Disponível em: https://www.gresham.ac.uk/lectures-and-events/ai-universe. Acesso em: 20 de maio de 2021.
Imagem 6: STARLINK SATELLITES IMAGED FROM CTIO. Disponível em: https://noirlab.edu/public/images/iotw1946a/. Acesso em: 25 de maio de 2021.
100 ANOS DO GRANDE DEBATE. Disponível em: https://www.ufmg.br/espacodoconhecimento/100-anos-do-debate-que-mudou-a-visao-da-humanidade-sobre-o-universo-2/. Acesso em: 15 de maio de 2021.
O COMPUTADOR HUMANO QUE AJUDOU A DESVENDAR MISTÉRIOS DO UNIVERSO. Disponível em: https://www.bbc.com/portuguese/vert-fut-56650062#:~:text=Uma%20d%C3%A9cada%20depois%20que%20Leavitt,al%C3%A9m%20da%20nossa%20Via%20L%C3%A1ctea. Acesso em: 20 de maio de 2021.
A MULHER QUE DESCOBRIU COMO MEDIR O UNIVERSO. Disponível em: http://lilith.fisica.ufmg.br/~dsoares/ensino/1-07/leandra-leavitt.htm. Acesso em 30 de maio de 2021.
WRITTEN IN THE STARS. Disponível em: https://www.nobelprize.org/prizes/physics/2011/press-release/. Acesso em: 30 de maio de 2021.
SUPERNOVA TIPO IA. Disponível em: https://pt.wikipedia.org/wiki/Supernova_tipo_Ia. Acesso em: 3 de jun de 2021.

Inteligência Artificial sonda Matéria Escura no Universo

Vitória Belo Campos — Tue, 25 May 2021 16:36:26 +0000

                         INTRO:

Questionamentos sempre perturbaram a mente humana. Indagar-se sobre a origem e o fim do universo é algo que filósofos gregos faziam e certamente a humanidade antes deles também. A essência da cosmologia está baseada no querer entender a origem do universo em que existimos.

Olhando um céu estrelado em um canto remoto é possível observar centenas de objetos com certas magnitudes, a exemplo estrelas e galáxias visíveis a olho nu; e elas por si só nos fornecem deslumbramentos e perguntas. Atualmente, porém, sabemos que o inquietante mesmo está no que não conseguimos observar diretamente, como energia escura e matéria escura.

Há contraposição nestes eventos, uma vez que a matéria escura tende a unir o universo e a energia escura a fazê-lo expandir mais rapidamente. Esses acontecimentos físicos precisam ser levados em consideração nas teorias propostas por cosmólogos, assim é necessário saber quantificá-los para refinar modelos.

Cientistas do Departamento de Física e do Departamento de Ciência da Computação do Instituto Federal de Tecnologia de Zurique (ETH) se juntaram para aperfeiçoar métodos padrões de estimativa do conteúdo de matéria escura por meio do aprendizado de máquina. Eles publicaram seu artigo na revista científica Physical Review D.

                   O QUE FAZEM:

A análise de dados cosmológicos é bastante parecida com a análise feita em dados de reconhecimento facial do Facebook e de outras mídias. Essa analogia pode ser feita já que os parâmetros que a máquina aprende a reconhecer são guias para dados que não foram analisados ainda. A exemplo: o Facebook busca boca, olhos e ouvidos. O algoritmo dos cientistas tende a buscar sinais que sejam associados à matéria e à energia escura.

Como já foi dito, não é possível medir tais grandezas de forma direta. Acredita-se que da mesma forma que a matéria bariônica (partículas conhecidas que formam a matéria de estrelas, planetas etc) a matéria escura deforme o caminho dos raios de luz vindo de galáxias distantes e chegam até a Terra por meio da ação gravitacional que a matéria exerce – como previsto por Albert Einstein.

Esse efeito de deformação é entendido como “lentes gravitacionais”. Pode ser uma baita distorção, a exemplo da seguinte imagem onde a galáxia é projetada em 2 lugares, ou pode ser sutil de forma a só distorcer a imagem.

Podemos comparar esse efeito ao que acontece com objetos distantes que aparecem borrados quando sua luz passa por camadas diferentes de ar na atmosfera com diferentes temperaturas em um dia quente.

O conceito de distância para galáxias muito afastadas implica estarmos olhando imagens de eventos que aconteceram há milhares ou até milhões de anos atrás. Desta forma, é possível retroceder e organizar mapas de massa mostrando onde a matéria escura poderia localizar-se.

A partir daí, comparam com mapas teóricos para descobrirem qual modelo cosmológico melhor se ajusta aos dados. Há uma parte do tratamento de dados que utiliza a função de correlação para descrever como as partes diferentes dos mapas estão relacionadas. Esta estatística está limitada a quão bem pode definir padrões complexos nos mapas de matéria.

          COMO FAZEM ATRAVÉS DE REDES NEURAIS:

Aurelien Lucchi e seus colegas do Laboratório Análises de Dados no Departamento de Ciência da Computação trabalharam em conjunto com Janis Fluri – a principal autora do estudo, uma estudante PhD do grupo Refregier. Este grupo utiliza algoritmos de aprendizado profundo de redes neurais para extrair o máximo de informações sobre mapas de matéria escura. Inicialmente a rede é treinada com dados que simulam o universo, utilizando como padrão para filtrar o que deve ser correto ou não quando o computador for criar suas árvores de decisões para parâmetros cosmológicos- a exemplo temos a razão entre a quantidade total de matéria escura e energia escura para cada mapa de matéria escura já simulado. Quando o computador analisou repetidamente os mapas disponíveis, a rede neural passou a procurar características específicas extraindo informações desejadas.

Os cientistas utilizaram a rede neural treinada para analisar mapas de matéria escura do conjunto de dados KiDS-450. Pretendem aplicar também o método no Dark Energy Survey após adicionarem mais parâmetros cosmológicos e refinamentos às redes neurais. Como discutir a natureza da energia escura ainda é amplamente vago, uma vez que existem pouquíssimas certezas associadas, para montar um estudo inicialmente devem "fixar" um conceito para ser trabalhado. Já que ainda é possível interpretar o fenômeno de energia escura derivando da Teoria da Relatividade Geral, através da constante cosmológica ou supor que seja um campo escalar extremamente leve (quintessência ou k-essência). Ou até mesmo sugerir que a TRG seja alterada.

                    VANTAGENS:

O uso das redes neurais trouxe um avanço de precisão em 30% comparado às estatísticas feita por humanos somente. Essa diferença é uma enorme vantagem, visto que atingir melhor precisão aumentando o número de dados do telescópio exigiria o dobro de tempo de observação e seria mais caro.

Utilizar lentes gravitacionais só traz benefícios para o estudo da matéria e da energia escura, de acordo com o Dr. David Schlegel, cientista do Laboratório Nacional Lawrence Berkeley, e seus colegas que utilizaram o supercomputador Cori para analisar imagens do projeto DECaLS - uma pesquisa conduzida para o Dark Energy Spectroscopic Instrument. O supercomputador teve sua rede neural treinada durante horas para aprender a buscar as lentes. Encontraram vários supostos sistemas de lentes fortes. A confirmação desses eventos ajuda a medição precisa de distâncias de galáxias próximas à formação do universo, – o Big Bang, além disso essa descoberta amplia o conhecimento sobre matéria escura, uma vez que ela possui maior porcentagem no efeito de lente gravitacional.

Atenção: O artigo original foi editado em 30/08/2021 e está em processo de revisão. O termo "prova" usado anteriormente no título não é o mais apropriado, uma vez que alguns dados foram simulados e há erros nas tecnologias que baseiam essa simulação. Obrigada Maria Fernanda do Carmo que fez essa observação super pertinente e nos ajudou a aprimorar o texto!

                      REFERÊNCIAS:

Imagem 1: GRAVITATIONAL LENS. Disponível em: https://hubblesite.org/contents/articles/gravitational-lensing. Acesso em: 20 de maio de 2021.
Imagem 2: MAIOR MAPA DE MATÉRIA ESCURA; DIVULGAÇÃO: DARK ENERGY SURVEY. Disponível em: https://www.cnnbrasil.com.br/tecnologia/2021/05/28/cientistas-criam-o-maior-mapa-de-materia-escura-do-universo. Acesso em 20 de maio de 2021.
ARTIFICIAL INTELLIGENCE PROBES DARK MATTER IN THE UNIVERSE. Disponível em:https://www.sciencedaily.com/releases/2019/09/190918100223.htm. Acesso em: 19 de maio de 2021.
Janis Fluri, Tomasz Kacprzak, Aurelien Lucchi, Alexandre Refregier, Adam Amara, Thomas Hofmann, Aurel Schneider. Cosmological constraints with deep learning from KiDS-450 weak lensing maps. Physical Review D, 2019. Disponível em: https://journals.aps.org/prd/abstract/10.1103/PhysRevD.100.063514. Acesso em: 19 de maio de 2021.
NOVAS LENTES GRAVITACIONAIS SÃO ENCONTRADAS GRAÇAS À INTELIGÊNCIA ARTIFICIAL. Disponível em: https://canaltech.com.br/espaco/novas-lentes-gravitacionais-sao-encontradas-gracas-a-inteligencia-artificial-165280/. Acesso em: 20 de maio de 2021.
A ENERGIA ESCURA E OS DESAFIOS DA COSMOLOGIA OBSERVACIONAL NA PRÓXIMA DÉCADA: A "WHITE PAPER" PARA A CEA. Disponível em: https://www.sab-astro.org.br/wp-content/uploads/2017/03/WP-Energia-Escura.pdf. Acesso em 3 de ago de 2021.