L’intelligenza artificiale sta rivoluzionando anche l’analisi astronomica. Oggi, grazie a tecniche avanzate di deep learning e ai grandi modelli linguistici (Llm), è possibile classificare le stelle variabili con una precisione mai raggiunta prima. Questi strumenti potrebbero migliorare l’analisi delle curve di luce stellari, fornendo nuovi dettagli sulla formazione e l’evoluzione delle stelle. Per dimostrarlo, un team internazionale di ricercatori ha sviluppato e testato diversi modelli di intelligenza artificiale per realizzare un catalogo accurato delle stelle variabili, ossia quelle che modificano periodicamente la loro luminosità. L’articolo che ne parla è stato pubblicato su Intelligent Computing.
Ma andiamo con ordine. Le curve di luce sono grafici che mostrano come cambia la luminosità di una stella nel tempo. Studiare queste variazioni permette agli astronomi di ottenere informazioni sulla struttura interna delle stelle e sui processi fisici che le governano. In questa nuova ricerca, particolare attenzione è stata rivolta alle Cefeidi, alle RR Lyrae e alle stelle binarie a eclisse, sistemi di due stelle che orbitano l’una intorno all’altra oscurandosi periodicamente e che forniscono dati essenziali sulla massa e sulla composizione stellare. Per addestrare i loro modelli, i ricercatori hanno utilizzato i dati raccolti dalle missioni della Nasa Kepler e K2, (sua estensione) che hanno monitorato la luminosità di centinaia di migliaia di stelle per individuare, in una porzione della Via Lattea, esopianeti simili alla Terra.
Tradizionalmente, la classificazione delle stelle variabili richiedeva un’analisi manuale per identificare schemi e variazioni. Con la quantità di dati oggi disponibili, questo approccio è diventato impraticabile. Ed è qui che entra in gioco l’intelligenza artificiale. Nel loro studio, i ricercatori hanno testato diversi modelli di deep learning, tra cui il modello Conv1D + BiLSTM, che ha raggiunto un’accuratezza del 94 per cento, e il Swin Transformer, con il 99 per cento di precisione e particolarmente efficace nel riconoscere le Cefeidi di tipo II, una classe di stelle che rappresenta solo lo 0,02 per cento del dataset analizzato.
Nonostante l’elevata precisione, il Swin Transformer richiede una fase aggiuntiva di pre-elaborazione dei dati. Per semplificare il processo, i ricercatori hanno introdotto Star Whisper Light Curve, una serie di tre modelli avanzati di intelligenza artificiale, ciascuno progettato per analizzare le curve di luce in modo innovativo: un modello linguistico di grandi dimensioni ottimizzato per l’elaborazione testuale delle curve di luce; un modello linguistico multimodale per interpretare curve di luce rappresentate come immagini e un modello linguistico audio che converte le curve di luce in onde sonore. Questi strumenti non solo permettono di raggiungere un’accuratezza vicina al 90 per cento, ma anche di ridurre la necessità di intervento umano e di esaminare grandi quantità di dati in tempi ridotti.
I ricercatori hanno inoltre dimostrato che è possibile ridurre fino al 14 per cento il tempo di osservazione e fino al 21 per cento i punti di campionamento senza compromettere l’accuratezza dell’analisi oltre il 10 per cento. Ciò permetterebbe alle future missioni spaziali di raccogliere dati in modo più rapido ed efficiente, semplificando l’elaborazione dei dati e favorendo l’evoluzione di modelli multimodali avanzati applicabili anche ad altri settori dell’astronomia.
In apertura: La stella RS Puppis, una delle variabili cefeidi più luminose della Via Lattea, ripresa da Hubble. Crediti: Nasa, Esa, and the Hubble Heritage Team (Stsci/Aura)-Hubble/Europe Collaboration Acknowledgment: H. Bond (Stsci and Penn State University).
