Uma nova ferramenta de machine learning para determinar parâmetros estelares
2020 maio 13

Num trabalho¹ liderado por Alexandros Antoniadis Karnavas, uma equipa² do Instituto de Astrofísica e Ciências do Espaço (IA³) desenvolveu a ferramenta de machine learning ODUSSEAS, um tipo de algoritmo de aprendizagem automática, que permite determinar de uma forma rápida e com elevada precisão parâmetros estelares de estrelas anãs vermelhas, como temperatura à superfície e a sua metalicidade⁴.

Antoniadis Karnavas, atualmente a obter o seu doutoramento na Faculdade de Ciências da Universidade do Porto comenta: “A determinação dos parâmetros fundamentais de estrelas anãs vermelhas é muito importante para a área da caracterização de estrelas e exoplanetas. Os espectros podem ser utilizados para revelar a composição das estrelas, assim como parâmetros estelares de grande relevo, como temperatura efetiva ou metalicidade. Estes parâmetros são cruciais para a caracterização de estrelas e para a nossa compreensão da sua formação e evolução. Têm ainda influência nas propriedades dos planetas que as orbitam e se estão a formar.”

ODUSSEAS (Observing Dwarfs Using Stellar Spectroscopic Energy-Absorption Shapes, ou observando anãs usando linhas espectroscópicas de absorção de energia) é uma ferramenta baseada na medição da largura de mais de 4000 linhas de absorção estelar e no uso de pacotes “scikit-learn” de machine learning, da linguagem de programação Python, para determinar parâmetros estelares.

Alexandros Antoniadis Karnavas acrescenta ainda: “O machine learning é uma ferramenta cada vez mais popular em diversas áreas da ciência. O interesse nestes algoritmos e processos automáticos é tanto maior quanto mais aumenta a quantidade de dados provenientes de rastreios. Neste contexto, a criação de ferramentas informáticas de fácil utilização, baseadas em machine learning, que permitem determinar, de forma rápida e eficiente, a temperatura efetiva e a metalicidade das anãs vermelhas, é muito útil.”

O ODUSSEAS é um algoritmo de machine learning supervisionado, isto é, recebe dados de entrada e resultados esperados para a criação de um modelo. Usa dois algoritmos que a equipa desenvolveu: O primeiro mede a largura das linhas dos espectros a analisar, enquanto o segundo estima a temperatura e a metalicidade. A novidade desta ferramenta é poder usar simultaneamente espectros de diferentes resoluções e várias coberturas de comprimento de onda. O utilizador pode ainda ativar a correção automática de velocidades radiais, para o caso das riscas estarem desviadas devido à velocidade radial intrínseca das estrelas.

Esta ferramenta é de uso livre e está disponível aqui.


Notas

1. O artigo “ODUSSEAS: a machine learning tool to derive effective temperature and metallicity for M dwarf stars” foi publicado na revista Astronomy & Astrophysics (Volume 636, A9, DOI: 10.1051/0004-6361/201937194)
2. A equipa é composta por: A. Antoniadis-Karnavas (Instituto de Astrofísica e Ciências do Espaço & Faculdade de Ciências da Universidade do Porto), Sérgio Sousa (Instituto de Astrofísica e Ciências do Espaço), Elisa Delgado-Mena (Instituto de Astrofísica e Ciências do Espaço), Nuno Cardoso Santos (Instituto de Astrofísica e Ciências do Espaço & Faculdade de Ciências da Universidade do Porto), Guilherme Teixeira (Instituto de Astrofísica e Ciências do Espaço & Faculdade de Ciências da Universidade do Porto) e Vasco Neves (Instituto Federal do Paraná & Casimiro Montenegro Filho Astronomy Center, Itaipu Technological Park)
3. O Instituto de Astrofísica e Ciências do Espaço (IA) é a instituição de referência na área em Portugal, integrando investigadores da Universidade de Lisboa e da Universidade do Porto, e englobando a maioria da produção científica nacional na área. Foi avaliado como “Excelente” na última avaliação de unidades de investigação e desenvolvimento organizada pela Fundação para a Ciência e Tecnologia (FCT). A atividade do IA é financiada por fundos nacionais e internacionais, incluindo pela FCT/MCES (UID/FIS/04434/2019).
4. 4. O hidrogénio e o hélio são os elementos mais abundantes do Universo, compondo quase 98% de toda a massa normal. Por essa razão, em Astronomia é comum designar os elementos mais massivos do que o hidrogénio e o hélio, em conjunto, apenas como “metais”. A metalicidade de uma estrela é a abundância de “metais”, isto é, de elementos mais massivos do que o hidrogénio e o hélio.

Contactos
Alexandros Antoniadis Karnavas

Grupo de Comunicação de Ciência
Ricardo Cardoso Reis
Sérgio Pereira
Daniel Folha (Coordenação, Porto)
João Retrê (Coordenação, Lisboa)