buraco negro e machine learning - black hole

Usando machine learning para fotografar um buraco negro

Provavelmente o acontecimento científico mais importante de 2019 foi protagonizado Katie Bouman, uma estudante de PhD no MIT, especialista em processamento de imagens. Seu time criou um sistema que permitiu, pela primeira vez na história, fotografar um buraco negro.

Na verdade foram dois, o M87, localizado a 55 milhões de anos-luz da Terra, e Sagittarius A, localizado no centro da nossa galáxia.

Cem anos atrás, Albert Einstein publicou sua teoria da relatividade geral. Desde então, cientistas já apresentaram muitos indícios que a confirmam. No entanto, algo previsto nesta teoria, os buracos negros, ainda não haviam sido observados diretamente.

Os buracos negros não foram propriamente previstos por Einstein, na verdade ele não acreditava neles. Robert Oppenheimer mostrou que eles deviam existir e poderiam se formar usando a própria teoria geral da relatividade de Einstein. E agora temos a prova visual disso.

Até pouco tempo acreditava-se ser impossível gerar uma imagem de um buraco negro a partir de fotografias, pois a luz emitida por ele não consegue escapar devido a sua intensa gravidade. Por ser tecnicamente “invisível”, a solução foi fotografar sua sombra que pode ser visualizada quando há interação com substâncias ao seu redor, efeitos da sua gravidade.

A equipe Event Horizon Telescope (EHT), liderada por Bauman, utilizou uma técnica de reconstrução de imagens de alta resolução. Essa técnica levou quase dois anos para gerar a imagem do buraco negro, conectando radiotelescópios de todo o mundo para criar um gigantesco telescópio virtual do tamanho da terra.

A foto é mais uma das confirmações da teoria da relatividade de Albert Einstein. Abaixo é possível visualizar a foto gerada pelo EHT em comparação com o modelo previsto pela teoria de Einstein e simulado computacionalmente.

 
Buraco Negro e Machine Learning EHT

 
Esse resultado só foi possível com a utilização de ciência de dados, a partir de avançados algoritmos de machine learning. Continue acompanhando esse artigo e entenda como a imagem foi construída!

 

Event Horizon Telescope (EHT)

Espiando além da poeira galáctica com telescópios de infravermelho, astrônomos vêm observando estrelas do centro da Via Láctea há quase vinte anos. O que eles descobriram é que essas estrelas pareciam orbitar um objeto invisível.

A partir do monitoramento desses corpos, a conclusão foi de que o único objeto pequeno e pesado o bastante, que teria essa força gravitacional, seria um buraco negro supermassivo.

Mas seria possível enxergar algo que, por definição, é impossível de ser visto? Ocorre que, se dermos um zoom no comprimento de ondas de rádio, esperamos ver um círculo de luz gerado pela lente gravitacional do plasma quente movendo-se em torno do buraco negro.

Ou seja, o buraco negro lança uma sombra nesse cenário de material brilhante, criando uma esfera de escuridão. Esse círculo brilhante revela o horizonte de eventos do buraco negro, no qual a força gravitacional torna-se tão intensa que nem a luz consegue escapar.

As equações de Einstein previam o tamanho e a forma do círculo de um buraco negro. Logo fotografá-lo não seria apenas incrível, mas também ajudaria a verificar se as equações do físico se sustentam nas situações extremas ao redor de um buraco negro.

Pesquisadores do Laboratório de Inteligência Artificial e Ciência da Computação do MIT, do Centro Harvard-Smithsonian de Astrofísica e do MIT Haystack Observatory desenvolveram um conjunto de algoritmos capaz de produzir a primeira imagem de um buraco negro.

Esse conjunto de algoritmos, nomeado de CHIRP, juntou dados coletados de radiotelescópios espalhados ao redor de todo o mundo. A partir de um grande esforço de colaboração internacional, o projeto visou, essencialmente, transformar o nosso planeta em um grande telescópio virtual.

Como um telescópio do tamanho da terra não seria viável de se construir, a ideia foi tentar fazer com que computadores “enxergassem” além de imagens e vídeos.

Mesmo com um número incrivelmente baixo de leituras telescópicas para formar uma imagem, foi possível aproveitar o giro da terra para a obtenção de leituras adicionais. Afinal, quando a Terra gira os telescópios também giram, possibilitando novas imagens.

As partes não fotografadas do buraco negro foram cobertas pelos algoritmos desenvolvidos, que preencheram os espaços restantes, reconstruindo assim a imagem do M87.

Assista ao TED apresentado por Katie Bouman em 2016, onde ela explica o projeto:

 

 

Reconstrução da imagem com machine learning

Apesar de partir de uma ideia boa, o projeto tinha enormes desafios. Um deles era criar um modelo que encontrasse a imagem mais aceitável para se adequar à leitura dos telescópios.

Como há um número infinito de imagens possíveis, era necessário encontrar as que explicavam as determinações do telescópio de alguma forma. Isso foi concretizado usando um algoritmo que classificava as imagens escolhendo a mais provável.

Outro grande problema era que, apesar de previsto na teoria Einstein, a partir dos estudos de Oppenheimer, ninguém nunca viu um buraco negro. Poderia se tentar usar as imagens das simulações realizadas, mas isso poderia gerar um resultado equivocado caso a Teoria de Einstein não fosse sustentada.

Era preciso deixar aberta a possibilidade de o buraco negro ter uma forma diferente da esperada.

Katie Bouman e sua equipe aplicaram um algoritmo de aprendizado de máquina para identificar padrões visuais que tendem a se repetir em imagens do mundo real.

Podemos diferenciar facilmente imagens de simulação do buraco negro das fotos tiradas todos os dias aqui na Terra. Utilizando essas mesmas fotos, junto com fotos de corpos do espaço foi possível gerar um algoritmo que organiza as imagens da forma correta com base no reconhecimento de padrões.

Um grande entrave é que as imagens de corpos espaciais diferem muito das fotos que encontramos no Facebook, por exemplo. Então como seria possível?

O desafio foi encontrar uma forma de fazer com que, com os mesmos imputs, o algoritmo conseguisse reconstruir imagens encontradas na terra e encontradas no espaço independente de qual fosse o caminho percorrido.

Três telescópios faziam a medição de um mesmo local do céu. Os ruídos gerados pelas interferências atmosféricas eram eliminados pelo algoritmo.

Cada imagem que diferia muito das outras de um mesmo lote era eliminada. Com isso, à medida que mais fotos de uma mesma região eram reunidas o algoritmo ficava cada vez mais preciso, reduzindo a perda de informações.

Em dois anos de trabalho, todas as informações coletadas pelo telescópio virtual (EHT) somaram 8 petabytes de dados. Como a quantidade de dados era muito grande, não pode ser transferida pela internet. Os dados de cada observatório foram transportados em discos rígidos periodicamente, de um continente para outro.

Para analisar esse grande volume de dados, o algoritmo desenvolvido pelo EHT contabilizou todo o volume de dados obtido pelos telescópios, formando a imagem final:

 
Imagem buraco negro

 
A ciência de dados, alinhada a outras áreas do conhecimento, como astronomia, física, matemática e engenharia, permitiu ampliar os limites do nosso conhecimento. Esse projeto incrível conseguiu criar as primeiras imagens de um buraco negro e gerar muita atração e popularidade para a divulgação científica.

O projeto está disponível no Github e pode ser analisado por qualquer pessoa com interesse na área. Curtiu o post? Então deixa um comentário abaixo ou compartilha nas redes sociais.

Fonte de Pesquisa

Event Horizons Telescope
A method to image black holes

About the Author: Pedro César Tebaldi Gomes

Trabalho há 10 anos no mercado B2B de tecnologia da informação e hoje atuo como líder de um time de Business Intelligence. Já escrevi mais de 500 artigos sobre tecnologia durante esse período. Estudo ciência de dados, machine learning e estatística para atingir melhores resultados nos diferentes projetos que atuo.

Deixe uma resposta

Usando machine learning para fotografar um buraco negro

tempo de leitura: 8 min