Cosa farebbe Galileo?
Un gruppo di scienziati e astronomi ha utilizzato con successo l’intelligenza artificiale e l’apprendimento automatico per identificare e classificare le supernove al momento della loro formazione. Si è trattato di un test robotico del progetto Bright Transient Sky Survey (BTS), che fa parte di un programma più ampio per individuare e classificare le supernovae che superano un certo livello di luminosità.
Il team che sta dietro al robot BTS sostiene che può far guadagnare agli scienziati più tempo per analizzare gli eventi nel cielo, eliminando l’intermediario umano che deve confermare che un evento rilevato è effettivamente un’esplosione stellare. Il robot è stato lanciato la scorsa settimana ed è gestito da studenti e professori della Northwestern University, un’organizzazione di ricerca privata.
“È un passo importante”, afferma Adam Miller, professore associato della Northwestern University, “perché il perfezionamento del modello consentirà al robot di isolare sottotipi specifici di esplosioni stellari”. In definitiva, il ritiro degli esseri umani darà al team di ricerca più tempo per analizzare le osservazioni e formulare nuove ipotesi per spiegare l’origine delle esplosioni cosmiche osservate”.
Alcuni erano preoccupati che potessero essere sostituiti dall’intelligenza artificiale e si sono opposti all’idea di eliminare il “facilitatore umano”, ma Miller ha detto che l’obiettivo è aumentare l’efficienza.
“Lo stiamo facendo dal 2018 circa, quando è iniziato questo progetto”, ha detto al TCN Nabil Rehemtula, leader del progetto e studente laureato in astronomia. “Quindi ora abbiamo decine di migliaia di supernovae con cui possiamo esercitarci, modellare e automatizzare il processo”.
La Nebulosa Testa di Cavallo è visibile in questo
La Zwicky Transient Facility (ZTF), che prende il nome dall’astronomo Fritz Zwicky, presso l’Osservatorio Palomar di San Diego, in California, è stata istituita nel 2018 per identificare rapidamente tali eventi cosmici.
Il team del progetto BTSbot, guidato da Remtula e Miller, comprende membri della Northwestern University, del Caltech, della Liverpool John Moores University e dell’Università del Minnesota.
Per addestrare il modello AI, Remtula ha fornito all’algoritmo oltre 1,4 milioni di immagini storiche provenienti da 16.000 fonti. Queste fonti includevano supernove confermate, stelle che esplodono temporaneamente, stelle periodicamente variabili e galassie che esplodono.
Rehemtula ha spiegato che ogni anno vengono osservate circa 1300-1400 supernovae, fornendo una grande quantità di dati da analizzare. La Bright Transients Survey misura tutto ciò che appare e scompare, si illumina e si attenua, e questo è un evento unico”, ha detto.
“È importante fornire ai modelli un set di addestramento pulito e rappresentativo”, ha detto Rehemtula. Quindi iniziamo a tornare indietro nel tempo e a vedere quali supernovae o altri eventi sono passati originariamente attraverso il filtro BTS”.
Remtula spiega che in questo modo è facile escludere i fenomeni celesti che non sono supernove.
Nuova immagine composita della galassia di Andromeda ripresa all’Osservatorio Palomar in luce visibile in tre bande. Crediti immagine: ZTF/D. Goldstein e R. Hurt (Caltech)
