Inteligência Artificial pode identificar moléculas de exoplanetas (e descobrir novas leis da física)

ESO / L. Calçada

Impressão artística do exoplaneta Tau Boötis b

Investigadores vão utilizar a Inteligência Artificial para identificar as molécula na atmosfera de exoplanetas. No entanto, a IA tem um potencial maior por desvendar.

Sabe do que é feita a atmosfera da Terra? Provavelmente lembra-se que é oxigénio e talvez azoto. E com um pouco de ajuda do Google pode facilmente chegar a uma resposta mais precisa: 78% azoto, 21% oxigénio e 1% árgon.

No entanto, quando se trata da composição de exoatmosferas — as atmosferas de planetas fora do nosso sistema solar — a resposta não é conhecida. Isto é pena, uma vez que as atmosferas podem indicar a natureza dos planetas e se eles podem hospedar vida.

Como os exoplanetas estão tão distantes, é extremamente difícil sondar a sua atmosfera. Estudos sugerem que a Inteligência Artificial (IA) pode ser a nossa melhor aposta para explorá-los — mas apenas se pudermos mostrar que esses algoritmos pensam de maneira confiável e científica, em vez de enganar o sistema.

Agora, um novo artigo, publicado no Astrophysical Journal, fornece uma visão reconfortante da sua lógica misteriosa.

Os astrónomos normalmente exploram o método de trânsito para investigar exoplanetas, que envolve medir as quedas de luz de uma estrela quando um planeta passa à frente dela.

Se houver uma atmosfera no planeta, também poderá absorver uma pequena quantidade de luz. Ao observar este evento em diferentes comprimentos de onda, as impressões digitais das moléculas podem ser vistas na luz das estrelas absorvida, formando padrões reconhecíveis no que chamamos de espectro.

Um sinal típico produzido pela atmosfera de um planeta do tamanho de Júpiter apenas reduz a luz estelar em ~0,01% se a estrela for semelhante ao Sol. Planetas do tamanho da Terra produzem sinais 10-100 vezes mais baixos. É quase como, de um avião, tentar ver qual é a cor dos olhos de um gato.

No futuro, o Telescópio Espacial James Webb (JWST) e a Missão Espacial Ariel, ambas as sondas que vão investigar exoplanetas da sua órbita no Espaço, vão ajudar ao fornecer espectros de alta qualidade para milhares de exoatmosferas.

Mas, embora os cientistas estejam entusiasmados com isto, estudos recentes sugerem que pode ser complicado. Devido à natureza complexa das atmosferas, a análise de um único planeta em trânsito pode levar dias ou até semanas para ser concluída.

Naturalmente, os investigadores começaram a procurar ferramentas alternativas. A IA é conhecida pela sua capacidade de assimilar e aprender com uma grande quantidade de dados e pelo seu excelente desempenho em diferentes tarefas, uma vez treinada.

Os cientistas, portanto, tentaram treinar a IA para prever a abundância de várias espécies químicas na atmosfera.

A atual pesquisa estabeleceu que as IAs são adequadas para esta tarefa. No entanto, os cientistas são meticulosos e céticos e, para provar que é realmente assim, querem entender como é que as IAs pensam.

Espreitar para dentro da caixa negra

Na ciência, uma teoria ou ferramenta não pode ser adotada se não for compreendida. Afinal, não queremos passar pela emoção de descobrir a vida num exoplaneta, apenas para perceber que é simplesmente uma “falha” na IA.

A má notícia é que as IAs são terríveis para explicar as suas próprias descobertas. Mesmo os especialistas em IA têm dificuldade em identificar o que faz com que a rede forneça uma determinada explicação. Essa desvantagem frequentemente impede a adoção de técnicas de IA na astronomia e em outros campos científicos.

Os investigadores desenvolveram um método que permite um vislumbre do processo de tomada de decisão da IA. A abordagem é bastante intuitiva.

Suponhamos que uma IA tenha que confirmar se uma imagem contém um gato. Ela provavelmente faria isso identificando certas características, como pelo ou formato do focinho. Para entender quais características se está a referir, e em que ordem, desfocaram partes da imagem do gato e viram se a IA ainda mostrava que era um gato.

Observando como é que as previsões da IA sobre a abundância de moléculas de exoplanetas (por exemplo, água na atmosfera) mudaram quando cada região foi adulterada, os autores começaram a construir uma “imagem” de como é que a IA pensava, como quais regiões do espectro eram usadas para decidir o nível de água na atmosfera.

Para alegria dos investigadores, descobriram que uma IA bem treinada depende muito de fenómenos físicos — exatamente como um astrónomo faria.

Esta descoberta forneceu o primeiro método para espreitar nas chamadas “caixas negras da IA”, permitindo avaliar o que as IAs aprenderam. Com estas ferramentas, os investigadores podem agora não apenas usar IAs para acelerar a sua análise de exoatmosferas, mas também podem verificar se a sua IA usa leis da natureza bem conhecidas.

Dito isto, é muito cedo para afirmar que entendemos totalmente as IAs. A próxima etapa é descobrir precisamente a importância de cada conceito e como é que ele é processado nas decisões.

A perspetiva é empolgante para os especialistas em IA, mas ainda mais para os cientistas. O incrível poder de aprendizagem da IA vem da sua capacidade de aprender uma “representação”, ou padrão, a partir dos dados — uma técnica semelhante a como os físicos descobriram as leis da natureza para compreender melhor o nosso mundo.

Ter acesso às mentes da IA pode, portanto, nos conceder a oportunidade de aprender novas leis da física ainda não descobertas.

  ZAP // The Conversation

Deixe o seu comentário

Your email address will not be published.