A astronomia sempre foi uma ciência de dados. Desde os primeiros catálogos estelares até os modernos levantamentos digitais, o desafio central da área nunca foi apenas apontar telescópios para o céu — foi interpretar a avalanche de informações que eles retornam. Hoje, com instrumentos capazes de registrar milhões de objetos por noite, esse desafio atingiu uma escala que supera qualquer capacidade humana de análise manual. É nesse contexto que a Inteligência Artificial emergiu não como um recurso auxiliar, mas como…
Introdução: A Nova Era da Astronomia Computacional
Algoritmos de aprendizado de máquina já demonstraram capacidade de identificar exoplanetas em curvas de luz, classificar morfologias galácticas em grandes amostras e detectar sinais de ondas gravitacionais em meio ao ruído dos detectores. Pela primeira vez na história, o comportamento de um buraco negro foi simulado com o uso de IA e aprendizado de máquina — feito que abre uma janela inteiramente nova para o estudo dos objetos mais extremos do universo [2]. Grupos de pesquisa em todo o Brasil e no mundo vêm apresentando soluções inovadoras que usam Machine Learning aplicado aos problemas centrais da astrofísica [3].
Telescópios como o James Webb Space Telescope e o futuro Observatório Vera C. Rubin prometem multiplicar ainda mais o volume de dados disponíveis. Sem ferramentas computacionais inteligentes, esses dados permaneceriam em grande parte inexplorados. A IA não substitui o astrônomo — ela amplifica sua capacidade de enxergar o universo.
Referências desta seção:
[1] ALMEIDA, T. A.; TEIXEIRA, R. R. P. Explorando a fronteira entre Inteligência Artificial e Astronomia na Educação. Inf. Educ.: Teoria & Prática, UFRGS. https://doi.org/10.22491/1982-1654.138688
[2] Observatório Nacional. Inteligência Artificial e as simulações em astronomia. Portal Gov.br, 26 mar. 2022. https://www.gov.br/observatorio/pt-br/assuntos/noticias/inteligencia-artificial-e-as-simulacoes-em-astronomia
[3] Workshop SPAnet de Inteligência Artificial em Astronomia (AIA 2026). IAG/USP. https://aia.iag.usp.br/
Como a IA Aprende a Enxergar o Universo
Para compreender como a inteligência artificial se tornou um instrumento essencial da astronomia moderna, é preciso primeiro entender a natureza do problema que ela veio resolver. Telescópios contemporâneos como o James Webb Space Telescope (JWST) e o futuro Observatório Vera C. Rubin produzem volumes de dados que ultrapassam a capacidade humana de análise: o Rubin, sozinho, deverá gerar cerca de 20 terabytes de imagens por noite ao longo de sua operação. Nenhuma equipe de pesquisadores, por maior que seja, conseguiria examinar manualmente esse fluxo contínuo de informações.
É nesse cenário que entram os algoritmos de aprendizado de máquina. Em essência, esses sistemas aprendem a "ver" o universo da mesma forma que aprendem qualquer outra tarefa: por exposição repetida a exemplos rotulados. Um modelo treinado para classificar galáxias recebe milhares de imagens previamente categorizadas por astrônomos humanos — espirais, elípticas, irregulares — e ajusta seus parâmetros internos até ser capaz de replicar, e frequentemente superar, o julgamento humano em velocidade e escala. O projeto Galaxy Zoo, que recrutou voluntários para classificar imagens do Sloan Digital Sky Survey, serviu como base de dados fundamental para treinar esses primeiros modelos [2].
As redes neurais convolucionais (CNNs), originalmente desenvolvidas para reconhecimento de imagens em contextos comerciais, foram adaptadas com notável sucesso para a análise de dados astronômicos. Elas identificam padrões em diferentes escalas espaciais — desde a morfologia global de uma galáxia até perturbações sutis em suas bordas que podem indicar interações gravitacionais com vizinhas. Mais recentemente, as redes neurais profundas passaram a ser aplicadas à detecção de exoplanetas nos dados da missão Kepler e do TESS, identificando os mínimos de brilho estelar causados pelo trânsito de planetas com precisão que métodos tradicionais frequentemente deixavam escapar [2].
Além da visão computacional, o processamento de séries temporais representa outro campo fértil. Detectores de ondas gravitacionais como o LIGO e o Virgo produzem sinais extremamente ruidosos; separar um evento real — a fusão de dois buracos negros a bilhões de anos-luz — do ruído instrumental é uma tarefa que algoritmos de aprendizado profundo executam em frações de segundo, tempo incompatível com análise humana convencional. O mesmo princípio se aplica à identificação de supernovas e outros fenômenos transitórios em levantamentos de grande escala [2].
No domínio das simulações, a IA assumiu um papel igualmente transformador. Simulações cosmológicas de alta fidelidade — que modelam a formação de estruturas em larga escala, desde filamentos de matéria escura até aglomerados de galáxias — exigem capacidade computacional extraordinária. Pesquisadores brasileiros, como o grupo do Observatório Nacional, têm explorado o uso de redes neurais para emular essas simulações a uma fração do custo computacional, mantendo precisão estatística comparável [1]. Pela primeira vez na história, o comportamento de um buraco negro foi simulado com o uso de IA e aprendizado de máquina, representando um marco para o campo [1].
O workshop SPAnet de Inteligência Artificial em Astronomia (AIA), realizado anualmente no Brasil e sediado em 2026 no INPE, reflete a crescente institucionalização dessas práticas no país [3]. Grupos de pesquisa em São Paulo, Rio de Janeiro e outras instituições apresentam soluções inovadoras que cobrem desde a classificação automatizada de espectros estelares até a busca por assinaturas de matéria escura em mapas de distribuição galáctica. A astroinformática — campo híbrido que une ciência da computação, estatística e astronomia — consolida-se como disciplina própria, com programas de pós-graduação e linhas de financiamento específicas [2].
O que torna essa convergência particularmente fecunda é a natureza dos dados astronômicos: abundantes, multidimensionais e frequentemente rotulados por décadas de observação prévia — condições ideais para o treinamento supervisionado de modelos de aprendizado de máquina. O universo, nesse sentido, oferece ao pesquisador um laboratório sem precedentes, onde cada imagem capturada pelo JWST ou cada sinal registrado pelo Rubin representa não apenas um dado científico, mas um novo exemplo de treinamento para sistemas que, gradualmente, aprendem a enxergar o cosmos com olhos que nenhum ser humano poderia ter.
Referências desta seção:
[1] Observatório Nacional – Portal Gov.br. Inteligência Artificial e as simulações em astronomia. Disponível em: https://www.gov.br/observatorio/pt-br/assuntos/noticias/inteligencia-artificial-e-as-simulacoes-em-astronomia
[2] Almeida, T. A.; Teixeira, R. R. P. Explorando a fronteira entre Inteligência Artificial e Astronomia na Educação. UFRGS – Inf. Educ.: Teoria & Prática. DOI: https://doi.org/10.22491/1982-1654.138688
[3] SPAnet/IAG-USP. Workshop AIA 2026 – Inteligência Artificial em Astronomia. Disponível em: https://aia.iag.usp.br/
Detecção de Exoplanetas e Classificação de Galáxias
Entre as aplicações mais transformadoras da inteligência artificial na astrofísica, duas se destacam pela escala do desafio e pela elegância das soluções encontradas: a caça a mundos além do nosso sistema solar e o mapeamento sistemático das estruturas que compõem o cosmos visível. Em ambos os casos, a IA não apenas acelerou o trabalho dos astrônomos — ela tornou possível o que antes era simplesmente inviável.
A detecção de exoplanetas ilustra bem essa ruptura. O método mais produtivo, o trânsito fotométrico, consiste em monitorar o brilho de estrelas e identificar os diminutos escurecimentos causados quando um planeta passa à sua frente. O telescópio Kepler, encerrado em 2018, acumulou dados de mais de 150 mil estrelas ao longo de nove anos. Processar manualmente cada curva de luz seria um trabalho de décadas. Algoritmos de aprendizado profundo, treinados em milhares de curvas já classificadas por especialistas, aprenderam a reconhecer as assinaturas planetárias com precisão comparável à humana — e em uma fração do tempo. O resultado foi uma avalanche de confirmações: hoje o catálogo de exoplanetas conhecidos ultrapassa 5.700 mundos, com centenas descobertos ou validados por métodos baseados em IA [2].
O desafio aumenta de escala quando o objeto de estudo não é uma estrela individual, mas bilhões de galáxias. Levantamentos como o Sloan Digital Sky Survey (SDSS) produziram imagens de centenas de milhões de objetos, e classificar morfologicamente cada um deles — distinguir espirais de elípticas, identificar galáxias em fusão ou com formação estelar intensa — seria humanamente impossível sem automação. Projetos de ciência cidadã como o Galaxy Zoo demonstraram o potencial do esforço coletivo, mas também seus limites: mesmo dezenas de milhares de voluntários não conseguem acompanhar o ritmo dos telescópios modernos.
Redes neurais convolucionais preencheram essa lacuna com naturalidade. Treinadas nas classificações humanas do Galaxy Zoo, essas arquiteturas aprenderam os padrões visuais que definem cada morfologia e passaram a aplicá-los automaticamente a amostras imensas [2]. Mais do que replicar julgamentos humanos, os modelos revelaram subclasses e transições morfológicas sutis que o olho treinado tende a ignorar por fadiga ou viés. A IA, nesse sentido, não apenas executa — ela também descobre.
O próximo salto virá com o Observatório Vera C. Rubin, cujo Levantamento do Espaço e do Tempo (LSST) promete fotografar o céu austral completo a cada poucos dias, gerando cerca de 20 terabytes de dados por noite. Em dez anos de operação, o Rubin produzirá um catálogo de aproximadamente 20 bilhões de galáxias e um número similar de estrelas. Nenhuma equipe humana poderia processar esse fluxo em tempo real; algoritmos de IA serão a única ferramenta capaz de identificar eventos transitórios — supernovas, asteroides, variáveis — nas horas ou minutos após sua detecção, antes que o fenômeno desapareça [1][2].
O Telescópio Espacial James Webb adiciona outra dimensão ao problema. Com sua capacidade infravermelha sem precedentes, o JWST observa galáxias formadas nos primeiros centenas de milhões de anos após o Big Bang — objetos tênues, distorcidos pelo redshift e frequentemente sobrepostos a fontes mais próximas. Separar e caracterizar esses objetos exige algoritmos sofisticados de deconvolução e classificação espectral. Pesquisadores têm aplicado redes neurais para estimar redshifts fotométricos — a distância inferida a partir das cores do objeto — com precisão que rivaliza com métodos espectroscópicos muito mais demorados e caros [2].
No Brasil, a interseção entre IA e astronomia observacional já conta com comunidade consolidada. O Workshop SPAnet de Inteligência Artificial em Astronomia, organizado pelo IAG-USP e pelo INPE, reúne anualmente grupos que desenvolvem soluções de machine learning aplicadas a problemas astrofísicos concretos — de classificação de objetos a aprimoramento de modelos científicos [3]. A sexta edição do evento, prevista para setembro de 2026 no INPE, reflete o crescimento contínuo dessa agenda de pesquisa no país [3].
O que une esses avanços é uma mudança estrutural na forma como a astronomia produz conhecimento. Durante séculos, o progresso dependeu de observações cuidadosas e análises manuais, limitadas pelo que um ser humano consegue processar. Hoje, os telescópios produzem dados em velocidade e volume que invertem essa equação: o gargalo não está mais na coleta, mas na interpretação. A inteligência artificial surgiu exatamente no momento em que a astronomia precisava de um novo tipo de parceiro — um que não se cansa, não se distrai e aprende com cada novo dado que o universo oferece.
Ondas Gravitacionais e Fenômenos Trans
itórios
A detecção de ondas gravitacionais inaugurou uma nova janela de observação do cosmos — e a inteligência artificial rapidamente se tornou indispensável para explorar esse canal. Quando o LIGO registrou pela primeira vez o tremor do espaço-tempo causado pela fusão de dois buracos negros, em 2015, o sinal durou menos de dois décimos de segundo. Encontrar esse sussurro em meio ao ruído contínuo dos detectores exigiu algoritmos capazes de reconhecer padrões em fluxos de dados de alta frequência que nenhum analista humano poderia monitorar em tempo real.
Desde então, redes neurais convolucionais têm sido empregadas para identificar morfologias características nos espectrogramas dos interferômetros, reduzindo o tempo de latência entre a chegada do sinal e o alerta à comunidade astronômica de horas para segundos. Esse ganho é crucial: fusões envolvendo estrelas de nêutrons produzem contrapartes eletromagnéticas — as chamadas quilonova — que se dissipam rapidamente, e apontar telescópios para a região correta do céu dentro de uma janela estreita pode significar a diferença entre capturar ou perder um evento único [1].
O desafio dos fenômenos transitórios vai além das ondas gravitacionais. O universo é pontuado por eventos de alta energia e curta duração — explosões de raios gama, supernovas, flares de magnetares, eventos de disrupção de maré — cuja física ainda não é completamente compreendida. O Vera C. Rubin Observatory, cujo levantamento LSST produzirá cerca de 10 terabytes de imagens por noite, detectará milhões de alertas de transientes a cada 24 horas [2]. Sem automação inteligente, esse volume é simplesmente ingerenciável.
Sistemas de classificação em tempo real, como o Automatic Learning for the Rapid Classification of Events (ALeRCE), utilizam modelos de aprendizado de máquina para triagem imediata dos alertas do Rubin, separando supernovas de asteroides variáveis, de artefatos instrumentais e de dezenas de outras categorias. O objetivo é que, no momento em que um astrônomo acesse o painel de controle, o fluxo bruto já tenha sido convertido em uma fila priorizada de alvos científicos de alto interesse [2].
Outra fronteira promissora é a busca por pulsares e fontes de rádio transitórias, como os Fast Radio Bursts (FRBs) — lampejos de rádio extragalácticos de origem ainda debatida. Radiotelescópios como o CHIME, no Canadá, geram volumes de dados tão massivos que pipelines baseados em redes neurais recorrentes são empregados para detectar pulsos em microssegundos e rejeitar interferência de radiofrequência terrestre em tempo real. A IA não apenas acelera a descoberta: ela torna possível uma vigilância contínua que seria logisticamente impossível com revisão humana.
No campo das simulações, a inteligência artificial também redefine o que é computacionalmente acessível. Simulações de fusões de estrelas de nêutrons ou de colapsos de núcleos estelares exigem resolver equações de relatividade geral acopladas à hidrodinâmica e à transferência de nêutrons — um problema que, em grades de alta resolução, pode consumir meses em supercomputadores. Emuladores baseados em redes neurais treinados sobre grades esparsas de simulações físicas completas conseguem interpolar soluções intermediárias com fração do custo computacional, permitindo exploração mais ampla do espaço de parâmetros [1].
Pesquisadores brasileiros têm participado ativamente desse esforço. O Observatório Nacional sediou iniciativas que exploram aprendizado de máquina aplicado à astrofísica de alta energia, e eventos como o Workshop SPAnet de Inteligência Artificial em Astronomia, realizado anualmente pelo IAG-USP em parceria com o INPE, reúnem grupos que desenvolvem soluções para classificação de transientes, análise de séries temporais e modelagem estatística de populações de fontes [3]. A sexta edição do evento está programada para setembro de 2026, evidenciando a consolidação dessa área no cenário científico nacional [3].
A convergência entre detecção de ondas gravitacionais, vigilância de transientes e simulações de alta fidelidade aponta para um paradigma em que o cientista humano atua cada vez mais como curador e intérprete, enquanto sistemas de IA operam como sensores cognitivos — filtrando, classificando e sinalizando, na velocidade do universo.
Referências desta seção: [1] Observatório Nacional / Portal Gov.br — Inteligência Artificial e as simulações em astronomia [2] Almeida & Teixeira — Explorando a fronteira entre Inteligência Artificial e Astronomia na Educação, UFRGS [3] Workshop SPAnet AIA 2026 — IAG-USP / INPE
Simulações Cosmológicas Aceleradas por Machine Learning
Simular o universo é um dos empreendimentos computacionais mais ambiciosos da ciência moderna. Reproduzir a formação de galáxias, a distribuição da matéria escura e a evolução das grandes estruturas cósmicas exige resolver equações diferenciais complexas para bilhões de partículas ao longo de bilhões de anos-luz — um problema que, até recentemente, demandava semanas de processamento nos supercomputadores mais potentes do planeta. O machine learning está mudando essa equação de forma radical.
As simulações cosmológicas tradicionais, como as da série IllustrisTNG ou a EAGLE, operam com métodos de N-corpos e hidrodinâmica em grades que consomem recursos computacionais astronômicos. Uma única simulação de alta resolução pode exigir milhões de horas de CPU. O gargalo não é apenas financeiro: é também temporal. Quando uma simulação leva meses, o ciclo de hipótese-teste-refinamento que impulsiona a ciência fica drasticamente comprometido [1].
A resposta surgiu na forma de emuladores neurais — redes profundas treinadas para aprender os padrões implícitos nessas simulações caras e reproduzi-los a uma fração do custo. O princípio é elegante: em vez de resolver as equações do movimento partícula por partícula, a rede aprende a mapear condições iniciais diretamente para resultados finais, interpolando o espaço de parâmetros cosmológicos com precisão surpreendente. Projetos como o Cosmic Emu e o Dark Emulator demonstraram que emuladores baseados em aprendizado de máquina podem reproduzir espectros de potência e funções de correlação com erros inferiores a 1%, em frações de segundo [2].
A brasileira Roberta Duarte Pereira, em sua dissertação de mestrado pelo Instituto de Física da USP, ilustrou esse potencial ao simular pela primeira vez o comportamento de um buraco negro utilizando inteligência artificial — um feito descrito como historicamente inédito por pesquisadores do Observatório Nacional [1]. O trabalho evidencia como o machine learning não apenas acelera cálculos existentes, mas abre portas para modelar fenômenos que antes escapavam à capacidade computacional disponível.
Além dos emuladores, redes generativas adversariais (GANs) e modelos de difusão passaram a ser usados para gerar campos de densidade de matéria escura realistas a partir de simulações de baixa resolução, refinando detalhes estruturais que normalmente exigiriam resolução muito maior. Técnicas como a DeepDensity e a FlowPM permitem criar mapas tridimensionais do cosmos com detalhamento sem precedentes, acelerando o processo em ordens de magnitude [3].
O impacto prático se torna especialmente relevante com a chegada de levantamentos de nova geração. O Observatório Vera C. Rubin, ao catalogar dezenas de bilhões de objetos ao longo de uma década, vai gerar petabytes de dados que precisarão ser comparados com grades densas de simulações para extrair parâmetros cosmológicos — a taxa de expansão do universo, a densidade da matéria escura, a natureza da energia escura. Sem emuladores neurais, essa comparação seria computacionalmente proibitiva. Com eles, torna-se viável em tempo real.
No Brasil, o workshop SPAnet de Inteligência Artificial em Astronomia, organizado pelo IAG-USP e sediado no INPE, reúne anualmente grupos que desenvolvem exatamente esse tipo de aplicação [3]. A sexta edição, prevista para setembro de 2026, reflete a maturidade crescente de uma comunidade nacional que combina expertise em astrofísica com métodos modernos de aprendizado de máquina para atacar problemas que antes pareciam intratáveis.
O que está emergindo não é uma substituição das simulações físicas tradicionais, mas uma arquitetura híbrida: simulações de alta fidelidade alimentam o treinamento dos modelos neurais, que por sua vez permitem explorar espaços de parâmetros vastíssimos de forma eficiente [2]. A física não desaparece — ela é destilada em pesos de redes que aprenderam a intuição cosmológica que levou décadas para ser formalizada em código.
Referências desta seção: [1] Observatório Nacional / Portal Gov.br — Inteligência Artificial e as simulações em astronomia (2022) [2] Almeida & Teixeira — Explorando a fronteira entre Inteligência Artificial e Astronomia na Educação, UFRGS (2024) [3] IAG-USP — Workshop SPAnet de Inteligência Artificial em Astronomia (AIA 2026)
Desafios: Dados, Vieses e Interpretabilidade
O entusiasmo em torno da inteligência artificial na astrofísica não apaga uma realidade incômoda: os mesmos algoritmos capazes de identificar exoplanetas e classificar milhões de galáxias carregam limitações profundas que a comunidade científica ainda enfrenta com urgência crescente. À medida que telescópios como o James Webb e o Vera Rubin Observatory ampliam o volume de dados disponíveis, os desafios associados à qualidade, ao viés e à interpretabilidade dos modelos tornam-se cada vez mais críticos [2].
O primeiro grande obstáculo é a qualidade e a representatividade dos conjuntos de treinamento. Redes neurais aprendem padrões a partir de exemplos rotulados por humanos ou extraídos de simulações — e ambas as fontes introduzem distorções. Quando astrônomos classificam galáxias manualmente para treinar modelos supervisionados, suas decisões refletem convenções históricas, limitações instrumentais dos telescópios da época e até preferências estéticas inconscientes. Um modelo treinado nesses dados reproduz e frequentemente amplifica esses vieses, rejeitando objetos que fogem às categorias conhecidas justamente porque são novos — que é exatamente o que a ciência mais deseja encontrar [2].
As simulações cosmológicas apresentam problema análogo. Por mais sofisticadas que sejam, elas dependem de premissas sobre física que ainda não compreendemos completamente — a natureza da matéria escura, a constante cosmológica, os mecanismos de retroalimentação de buracos negros supermasssivos. Um emulador de IA treinado nessas simulações aprende a reproduzir os resultados do modelo, não necessariamente a realidade [1]. Quando o observatório Vera Rubin começar a produzir seus dez anos de dados do céu sul, qualquer viés sistemático no pipeline de IA se propagará por bilhões de objetos catalogados.
A interpretabilidade — ou a falta dela — é o segundo nó crítico. Modelos de aprendizado profundo operam como caixas-pretas: fornecem respostas com alta precisão estatística, mas raramente explicam por quê chegaram a determinada conclusão. Na detecção de sinais de ondas gravitacionais, por exemplo, saber que a rede neural atribuiu 97% de probabilidade a um evento de fusão de buracos negros não é suficiente — os físicos precisam entender quais características do sinal fundamentam essa classificação para validar a descoberta e publicá-la [2]. Técnicas de IA explicável, como mapas de ativação e métodos de atribuição de importância de features, estão sendo adaptadas para contextos astronômicos, mas ainda estão longe de oferecer a transparência exigida pelo método científico.
Há ainda o desafio da distribuição de domínio: modelos treinados com dados de um telescópio frequentemente falham quando aplicados a dados de outro instrumento, mesmo que o objeto astronômico seja o mesmo. Diferenças na resolução angular, na resposta espectral dos detectores e no ruído de fundo fazem com que a IA "veja" o universo de formas incompatíveis entre si [2]. Isso compromete a reprodutibilidade — pilar fundamental da ciência — e exige pipelines de transferência de domínio que ainda são objeto de pesquisa ativa.
Workshops como o AIA, organizado pelo IAG-USP com edições anuais no Brasil, refletem a consciência da comunidade de que essas questões não são meramente técnicas, mas epistemológicas [3]: antes de confiar em uma descoberta mediada por algoritmos, é preciso entender os limites do que esses algoritmos realmente conhecem.
O Futuro: IA no Telescópio James Webb e Além
O Telescópio Espacial James Webb representa a fronteira mais avançada da observação astronômica contemporânea — e a inteligência artificial já ocupa um papel central na exploração dos seus dados. Com capacidade de captar luz infravermelha de galáxias formadas há mais de 13 bilhões de anos, o JWST gera volumes de informação que desafiam os métodos tradicionais de análise. Algoritmos de aprendizado de máquina são empregados para classificar automaticamente as estruturas detectadas, identificar assinaturas espectrais de exoplanetas e filtrar artefatos instrumentais que poderiam comprometer interpretações científicas [2].
O próximo grande marco será o Observatório Vera C. Rubin, cujo Legacy Survey of Space and Time (LSST) promete fotografar o céu austral completo a cada três noites, acumulando cerca de 20 terabytes de dados por observação. Nenhuma equipe humana seria capaz de processar esse fluxo sem suporte automatizado. Redes neurais treinadas em simulações cosmológicas serão responsáveis por detectar eventos transitórios — supernovas, estrelas de nêutrons em colisão, asteroides — em tempo real, disparando alertas para telescópios auxiliares ao redor do mundo [1].
No horizonte mais distante, projetos como o Square Kilometre Array (SKA) e o Extremely Large Telescope (ELT) ampliarão ainda mais essa demanda. A astroinformática consolida-se como disciplina autônoma, integrando astronomia, ciência de dados e computação de alto desempenho [2]. Grupos brasileiros participam ativamente desse movimento: workshops como o AIA, realizado anualmente no país, reúnem pesquisadores dedicados a desenvolver e aplicar técnicas de IA aos problemas da astrofísica nacional e internacional [3].
A trajetória é clara: a inteligência artificial deixou de ser uma ferramenta auxiliar para se tornar o motor da descoberta astronômica. Cada novo telescópio que entra em operação amplia não apenas nossa visão do cosmos, mas também a escala em que a IA precisa operar — tornando inevitável a parceria entre astrônomos e algoritmos na busca pelas respostas mais profundas sobre a origem e a estrutura do universo.
Fontes: [1] Portal Gov.br – Observatório Nacional; [2] UFRGS – Informática na Educação: Teoria & Prática; [3] AIA – Workshop SPAnet de IA em Astronomia, IAG/USP.
Referências
[1] https://www.gov.br/observatorio/pt-br/assuntos/noticias/inteligencia-artificial-e-as-simulacoes-em-astronomia [2] https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/138688 [3] https://aia.iag.usp.br/