Cientistas usam IA para medir expansão do Universo com supernovas

Uma nova ferramenta baseada em inteligência artificial pode revolucionar a maneira como os astrônomos investigam o mistério da energia escura e compreendem a expansão do Universo.

Pesquisadores ligados ao Instituto de Ciências do Cosmos da Universidade de Barcelona (ICCUB) desenvolveram uma estrutura computacional chamada CIGaRS para analisar milhões de explosões estelares com precisão inédita, permitindo medições mais detalhadas das distâncias cósmicas no futuro Observatório Vera C. Rubin.

Como funciona o estudo sobre supernovas

A técnica desenvolvida utiliza as supernovas tipo Ia — que funcionam como espécie de “régua cósmica” —, pois essas estrelas possuem um brilho intrínseco muito semelhante entre si em diferentes galáxias e épocas do cosmos.

Leia também

Pesquisadores revelam desafios complexos no parto de primata

Cirurgia Metabólica Reduz Diabete Tipo 2 Em Pacientes

Pesquisadores encontram vestígios de DNA em pintura rupestre antiga

Ao comparar esse brilho real com aquele observado da Terra, os cientistas conseguem calcular a distância até esses eventos estelares específicos. Esse método é fundamental para acompanhar como houve ou ocorre a expansão contínua do Universo ao longo dos tempos históricos registrados pela astronomia moderna.

Superando limitações das medições cosmológicas

Embora as supernovas tipo Ia sejam consideradas marcadores de excelente precisão na determinação de distâncias cósmicas, o estudo apontou que elas não são perfeitamente idênticas em todas as ocorrências.

Pesquisadoras descobriram nas últimas duas décadas que características da galáxia onde ocorreu a explosão — incluindo idade e massa estelar —, podem influenciar significativamente seu brilho observado. Até hoje, essas variações eram corrigidas por modelos relativamente simples; no entanto, essa simplificação limitava drasticamente a exatidão dos cálculos cosmológicos.

O modelo CIGa

RS integra múltiplas variáveis

Em vez de analisar cada fator isoladamente como faziam os métodos tradicionais, o sistema CIGaRS adota uma abordagem diferente: ele cria um único modelo capaz de integrar informações sobre diversos pontos simultaneamente.

Esse novo programa considera dados da própria supernova e também as características detalhadas tanto da galáxia hospedeira quanto parâmetros cosmogônicos do Universo ao longo de sua história. Para lidar com essa enorme quantidade variável de informação, a equipe utilizou inferência baseada em simulação.

Aplicações no Observatório Vera C. Rubin

O desenvolvimento foi feito especificamente para processar os vastos volumes de dados que serão gerados pelo Observatório Vera C. Rubin,localizado na [localidade não citada], durante seu levantamento astronômico previsto para dez anos.

Com milhões de novas supernovas esperadas como descobertas pela missão do observatório, o sistema é crucial porque apenas uma pequena fração desses objetos poderá ser estudada por espectroscopia — método mais preciso —, mas muito demorado.

Assim, segundo a equipe responsável pelos estudos no ICCUB e publicado em revista científica (sem nome citado), foi possível projetar um mecanismo que extrai informações altamente precisas utilizando somente imagens obtidas pelo telescópio. A técnica consegue estimar parâmetros cosmológicos com exatidão próxima à alcançada pelas metodologias espetroscópicas tradicionais.

Potencial de aumento na acurácia das descobertas

Além do estudo da energia escura, o novo sistema também pode ajudar os cientistas sobre como as supernovas tipo Ia realmente surgem. Ao reconstruir a frequência dessas explosões dentro diferentes populações estelares ao longo dos tempos cósmicos,

os pesquisadores esperam obter um entendimento mais profundo e detalhado desses eventos astronômicos complexos que moldaram nosso conhecimento sobre galáxias em formação no Universo. A estimativa é ainda maior: essa nova abordagem poderá aumentar até quatro vezes a precisão nas medições cosmológicas se comparada às técnicas tradicionais baseadas apenas na análise de pequenas amostras observacionais.