Inteligência artificial na astrofísica: escala de dados e fragilidade epistêmica

Tema: Inteligência Artificial na Astrofísica

Todas as noites, no alto do Cerro Pachón, no Chile, o Observatório Vera C. Rubin gera cerca de 10 terabytes de dados [1]. Seu sistema de processamento imediato (Prompt Processing) foi projetado para transformar esse volume, ainda durante a madrugada, em até 10 milhões de alertas de objetos que mudaram de brilho ou de posição [2]. Na estreia, em 24 de fevereiro de 2026, foram 800 mil alertas numa única noite, e a equipe espera chegar a cerca de sete milhões por noite [3]. Nenhum exército de astrônomos daria conta disso. O que faz o céu caber numa madrugada é um encadeamento de classificadores, redes neurais e modelos probabilísticos que, em boa parte dos casos, ninguém examina linha por linha.

A tese deste artigo é simples e desconfortável: a inteligência artificial deixou de ser um instrumento auxiliar na astrofísica e passou a ser condição para a própria observação. Isso resolveu o problema do volume de dados e criou um problema novo, mais sutil — o de saber se aquilo que os modelos declaram "descoberta" resiste ao escrutínio físico. Nas frentes mais visíveis dessa transformação, o padrão se repete: ganhos espetaculares de escala convivem com uma fragilidade epistêmica que a própria literatura especializada começa a reconhecer.

O funil de Kepler: 301 planetas que ninguém tinha visto

O caso mais didático vem de um telescópio já aposentado. O Kepler observou mais de 200 mil estrelas ao longo da missão [4], e o sinal de um planeta em trânsito é uma queda de brilho minúscula — muitas vezes difícil de distinguir de manchas estelares, eclipses de estrelas binárias ou ruído instrumental. Em 2021, uma rede neural profunda da NASA, o ExoMiner, validou 301 novos exoplanetas a partir dos dados do Kepler [4].

O Transiting Exoplanet Survey Satellite (TESS) seguiu a mesma trilha: em outubro de 2026, o Arquivo de Exoplanetas da NASA comemorou a marca de 1.000 planetas descobertos com dados da missão, e em 12 de novembro de 2026 a contagem estava em 1.026 [5]. O ritmo de candidatos de um levantamento desse porte inviabiliza a inspeção visual de cada curva de luz, e a triagem automatizada se torna indispensável.

Os números de desempenho, porém, pedem leitura cuidadosa. Um estudo de 2022 combinou dados reais e sintéticos para treinar redes neurais na detecção de trânsitos; ao revisar a literatura, os autores citam um método anterior, baseado em árvores de decisão, que chegava a recall de 96% nos dados do Kepler [6]. É uma métrica boa — e enganosa. Um classificador com 96% de recall ainda deixa escapar um em cada 25 planetas reais, e o custo do erro não é simétrico: um falso positivo consome tempo de telescópio e de espectroscopia de confirmação, recurso escasso; um falso negativo apaga silenciosamente um planeta do registro.

A fronteira também mudou de lugar. Uma revisão de junho de 2026 sobre aprendizado de máquina para exoplanetas, voltada ao James Webb e à futura missão Ariel, mostra que os modelos agora precisam não apenas achar o planeta, mas caracterizar sua atmosfera; segundo os autores, as recuperações atmosféricas (retrievals) feitas com aprendizado de máquina reduzem o tempo de inferência de horas de CPU para segundos [7].

Zoobot, Galaxy Zoo e o problema da morfologia

Classificar galáxias parece um problema mais fácil — e é justamente onde o aprendizado de máquina encontrou seu teste mais honesto. No Galaxy Zoo DECaLS, voluntários fizeram 7,5 milhões de classificações individuais de 314 mil galáxias, das quais 140 mil receberam pelo menos 30 classificações cada [8]. Respostas como essas alimentam o Zoobot, um modelo de aprendizado profundo para morfologia de galáxias que qualquer grupo pode retreinar para sua própria tarefa [9].

A validação mais rigorosa veio da preparação do Euclid, o telescópio espacial europeu. Comparado com classificações de voluntários do projeto Galaxy Zoo: Hubble, o Zoobot atingiu acurácia acima de 91% nas classificações confiantes da maioria dos tipos morfológicos, com desvio médio inferior a 12% nas frações de voto [10]. Outro detalhe é metodologicamente importante: em novas tarefas, modelos pré-treinados em imagens de galáxias tiveram desempenho, em média, 31% melhor do que modelos pré-treinados apenas no ImageNet, o conjunto genérico de fotos do dia a dia usado em visão computacional [11]. O domínio importa: aprender a reconhecer cães e caminhões não ensina a reconhecer braços espirais.

A escala que vem pela frente explica a pressa. Em março de 2025, na primeira grande divulgação de dados do Euclid, a missão informou ter detectado 26 milhões de galáxias em apenas uma semana de observação de três campos profundos [12], e humanos e IA, juntos, produziram um catálogo detalhado de mais de 380 mil galáxias [13]. Ao longo de seis anos, o Euclid deve registrar mais de 1,5 bilhão de galáxias [13]. Nenhum desenho experimental viável coloca um humano diante de 1,5 bilhão de imagens.

Ondas gravitacionais: onde a IA ainda corre atrás do ruído

Se há um campo em que o entusiasmo precisa ser contido, é este. O catálogo GWTC-5.0, da colaboração LIGO–Virgo–KAGRA, acrescentou 161 eventos detectados entre 10 de abril de 2024 e 28 de janeiro de 2025, elevando para 390 o total de sinais de ondas gravitacionais confirmados desde 2015 [14]. Cada evento precisou ser separado de um ruído que não é estacionário nem gaussiano — o problema dos glitches, transientes instrumentais que podem imitar o sinal de uma fusão de buracos negros.

A revisão de Cuoco e colaboradores, publicada em 2025 na Living Reviews in Relativity, é notável pela franqueza: o aprendizado de máquina já é usado como alternativa aos métodos tradicionais em detecção, localização de fontes, redução de ruído e estimativa de parâmetros, e para alguns tipos de sinal já traz mais eficiência e robustez, mas em muitas outras áreas os métodos tradicionais continuam dominantes [15]. Um trabalho recente usa aprendizado profundo para reconstruir, no domínio do tempo, tanto sinais quanto glitches em dados do LIGO — mas os próprios autores registram que o método ainda não lida com o caso em que um glitch se sobrepõe a um sinal astrofísico [16].

É justamente esse caso difícil que importa. E há uma pergunta que esses modelos não respondem sozinhos: se a rede aprendeu a distinguir um glitch de um sinal, ela aprendeu física ou aprendeu o gerador de simulações usado no treino? Quando o sinal é uma variação sutil enterrada num ruído muito maior, a preocupação é operacional, não filosófica.

CAMELS: 4.233 universos como conjunto de treino

Do outro lado do problema está a simulação. Se os levantamentos produzem mais dados do que se pode inspecionar, as simulações cosmológicas produzem mais universos do que se pode comparar. Em 2022, o projeto CAMELS liberou para download gratuito 4.233 simulações de universo, com milhões de galáxias e 350 terabytes de dados, pensadas para treinar modelos de aprendizado de máquina [17] — por exemplo, redes que estimam parâmetros cosmológicos a partir de mapas simulados.

O uso mais ambicioso inverte o sentido da inferência. Um estudo de 2025 comparou, com as simulações do CAMELS, diferentes formas de reconstruir a distribuição de matéria escura e de bárions a partir de galáxias, incluindo o modelo de halos tradicional, que assume perfis radialmente simétricos em torno das galáxias, e métodos de aprendizado de máquina; o melhor resultado veio de uma combinação de redes neurais de grafos e convolucionais [18]. Reconstruir o invisível a partir do visível é, no fundo, o programa inteiro da cosmologia observacional.

Há também um exemplo de como a IA pode devolver física, e não apenas previsões. No Max Planck Institute for Astrophysics, pesquisadores usaram uma rede neural "explicável" para estudar os perfis de densidade de halos de matéria escura. A rede concluiu que três parâmetros latentes bastam para descrever esses perfis até a periferia dos halos, além do alcance de ajustes tradicionais como o perfil Navarro-Frenk-White, e que a parte externa depende da taxa recente de acréscimo de massa [19]. O contraste é instrutivo: quando o modelo é interpretável, ele ensina algo; quando não é, sua solidez depende inteiramente da fidelidade da simulação que o treinou. Modelo treinado em simulação errada é erro em alta velocidade.

O gargalo do Rubin é humano

Aqui cabe uma posição. É comum tratar o desafio do Rubin como um problema de detecção. Não é. O sistema já foi projetado para produzir até 10 milhões de alertas por noite [2], e os primeiros alertas científicos saíram em fevereiro de 2026 [3]. O que não está resolvido é o que fazer com eles.

Os alertas não vão direto para astrônomos: vão para brokers, sistemas que recebem o fluxo do LSST, filtram, cruzam com catálogos, classificam e priorizam objetos para observações de acompanhamento [20]. É nesses intermediários que a IA faz seu trabalho decisivo — e é aí que o erro se propaga. Mesmo um classificador que acertasse 90% das vezes deixaria, num fluxo de sete milhões de alertas, centenas de milhares de classificações erradas por noite, enquanto a capacidade de confirmação espectroscópica é muitíssimo menor. O gargalo não é encontrar, é confirmar. Investir em detecção cada vez mais sensível sem investir em triagem e acompanhamento é otimizar o lado da equação que já não limita nada.

E há o risco simétrico: quanto mais o broker filtra, mais o que a comunidade observa é o que o modelo decidiu que valia a pena observar. O objeto que não se encaixa em nenhuma classe do treino é justamente o que um classificador bem ajustado tende a descartar.

AstroCLIP, James Webb e os modelos de fundação

O movimento mais recente é o mais ambicioso: em vez de um modelo por tarefa, um modelo para muitas. O AstroCLIP, publicado por Parker e colaboradores na Monthly Notices of the Royal Astronomical Society em 2024, é um modelo de fundação que projeta imagens e espectros de galáxias num mesmo espaço latente, com significado físico [21]. A lógica é a dos modelos que alinham texto e imagem: aproximar representações de modalidades diferentes para que o que se aprende numa sirva à outra.

O James Webb amplia essa agenda. Uma revisão divulgada em novembro de 2026 reúne observações do Webb que associam fluxos de gás expulsos de galáxias massivas (outflows) à interrupção da formação estelar no "meio-dia cósmico", há cerca de 8 a 12 bilhões de anos, quando o ritmo de formação de estrelas do universo atingiu o pico [22]. Resultados assim dependem de combinar cinemática de gás, poeira e estatística de populações — exatamente o tipo de análise em que um modelo de fundação bem calibrado economiza meses, e em que um mal calibrado produz coerência falsa com aparência de física.

Discussão: o que a IA não decide

Lidos em conjunto, os casos revelam um padrão que é menos técnico do que epistemológico. Em exoplanetas e morfologia de galáxias, o aprendizado supervisionado funciona porque há um padrão de referência: os catálogos do Kepler, os votos do Galaxy Zoo. Em ondas gravitacionais e cosmologia, essa referência muitas vezes existe apenas na forma de simulações — e o modelo aprende o simulador antes de aprender o universo.

Uma revisão de 2025 sobre aprendizado de máquina interpretável em física resume o que está em jogo: interpretações bem-sucedidas aumentam a confiança em métodos de caixa-preta, ajudam a reduzir erros e permitem melhorar os modelos [23]. O problema é a ordem das operações: na prática, a interpretação costuma vir depois da adoção — e em astronomia o custo de um erro é alto, porque tempo de telescópio é finito.

Há ainda um efeito de composição pouco discutido. Cada elo da cadeia — redução de dados, broker, classificador, modelo cosmológico — tem sua taxa de erro, em geral pequena e documentada. Aplicadas em sequência a bilhões de objetos, essas taxas não somam pouco. E cada grupo audita o seu elo; raramente alguém audita a cadeia inteira.

Do lado positivo, os dados abertos mudaram a economia da área. O CAMELS tornou milhares de universos simulados baixáveis [17]; o Zoobot pode ser retreinado por qualquer grupo [9]; o Rubin distribui alertas em tempo real [3]; o Euclid publica catálogos classificados com ajuda de IA [13]. Um estudante com uma GPU pode hoje fazer o que antes exigia um instituto inteiro.

Conclusão: três frentes para a próxima década

A IA na astrofísica não é uma promessa a cumprir; é uma infraestrutura a auditar. Os ganhos de escala são reais e mensuráveis — 301 planetas validados, acurácia acima de 91% em morfologia, 390 eventos de ondas gravitacionais confirmados, 350 terabytes de universos simulados abertos — e a fragilidade também: modelos que aprendem o simulador, brokers que decidem o que merece atenção, cadeias de erro que ninguém soma.

Três direções parecem necessárias. A primeira é orçar a incerteza de ponta a ponta, propagando o erro do pixel ao artigo, em vez de reportar métricas isoladas por etapa. A segunda é tratar a interpretabilidade como requisito de projeto, não como estudo posterior — os métodos existem [23], e o caso dos halos de matéria escura mostra o que eles podem revelar [19]. A terceira é proteger o espaço do inesperado: reservar parte do tempo de telescópio e do fluxo de alertas para objetos que nenhum classificador sabe rotular.

O Rubin vai continuar gerando 10 terabytes por noite [1], e o Webb vai continuar entregando espectros que ninguém consegue analisar à mão. A pergunta não é se a IA vai mediar nossa visão do cosmos — ela já media. É se saberemos, quando um modelo disser "descoberta", distinguir o universo do espelho.

Referências

[1] Rubin Observatory — Data - https://rubinobservatory.org/explore/how-rubin-works/technology/data

[2] Findeisen, K. et al. (2026). The Vera C. Rubin Observatory Prompt Processing System. arXiv:2603.19541 - https://arxiv.org/html/2603.19541v1

[3] Rubin Observatory (25/02/2026). NSF–DOE Vera C. Rubin Observatory Launches Real-Time Discovery Machine for Monitoring the Night Sky - https://rubinobservatory.org/news/first-alerts

[4] NASA (2021). New Deep Learning Method Adds 301 Planets to Kepler's Total Count - https://science.nasa.gov/universe/exoplanets/new-deep-learning-method-adds-301-planets-to-keplers-total-count/

[5] NASA Exoplanet Archive - https://exoplanetarchive.ipac.caltech.edu/

[6] Cuéllar, S. et al. (2022). Deep learning exoplanets detection by combining real and synthetic data. PLoS ONE 17(5): e0268199 - https://pmc.ncbi.nlm.nih.gov/articles/PMC9132280/

[7] Yakubu, M.; Jude, V. O. (2026). Machine Learning and Deep Learning for Exoplanet Detection and Atmospheric Characterization with JWST and the Upcoming Ariel Mission. arXiv:2606.23766 - https://arxiv.org/abs/2606.23766

[8] Walmsley, M. et al. (2022). Galaxy Zoo DECaLS: Detailed Visual Morphology Measurements from Volunteers and Deep Learning for 314,000 Galaxies. MNRAS. arXiv:2102.08414 - https://arxiv.org/abs/2102.08414

[9] Walmsley, M. Zoobot (repositório no GitHub) - https://github.com/mwalmsley/zoobot

[10] Euclid Collaboration: Aussel, B. et al. (2024). Euclid preparation. XLIII. Measuring detailed galaxy morphologies for Euclid with machine learning. A&A 689, A274 - https://arxiv.org/abs/2402.10187

[11] Walmsley, M. (2024). Zoobot 2.0: Scaling Up - https://walmsley.dev/posts/zoobot-scaling-laws/

[12] Max-Planck-Gesellschaft (19/03/2025). First comprehensive data release of Euclid space telescope - https://www.mpg.de/24349746/euclid-data-release

[13] ESA (19/03/2025). Euclid opens data treasure trove, offers glimpse of deep fields - https://www.esa.int/articles/about-us/directorates/science/euclid/euclid-opens-data-treasure-trove-offers-glimpse-of-deep-fields

[14] LIGO. GWTC-5.0: Updated LIGO–Virgo–KAGRA Catalog sets new records in precision gravitational wave astronomy - https://ligo.org/gwtc-5-0-updated-ligo-virgo-kagra-catalog-sets-new-records-in-precision-gravitational-wave-astronomy/

[15] Cuoco, E. et al. (2025). Applications of machine learning in gravitational-wave research with current interferometric detectors. Living Reviews in Relativity 28, 2. arXiv:2412.15046 - https://arxiv.org/abs/2412.15046

[16] Dooney, T. et al. (2025). Time-domain reconstruction of signals and glitches in gravitational wave data with deep learning. arXiv:2501.18423 - https://arxiv.org/html/2501.18423v3

[17] Simons Foundation (06/01/2022). The Largest Suite of Cosmic Simulations for AI Training Is Now Free To Download; Already Spurring Discoveries - https://www.simonsfoundation.org/news/the-largest-suite-of-cosmic-simulations-for-ai-training-is-now-free-to-download-already-spurring-discoveries/

[18] Krywonos, J. et al. (2025). Reconstruction of Dark Matter and Baryon Density From Galaxies: A Comparison of Linear, Halo Model and Machine Learning-Based Methods. arXiv:2507.12530 - https://arxiv.org/html/2507.12530v1

[19] Max Planck Institute for Astrophysics (07/2024). Explaining the density profiles of dark matter halos with neural networks - https://www.mpa-garching.mpg.de/1098943/hl202407

[20] Rubin Observatory — Alerts and brokers - https://rubinobservatory.org/for-scientists/data-products/alerts-and-brokers

[21] Parker, L. et al. (2024). AstroCLIP: a cross-modal foundation model for galaxies. MNRAS 531(4), 4990–5011 - https://doi.org/10.1093/mnras/stae1450

[22] Phys.org (17/11/2026). Galaxy outflows likely regulate star formation at 'cosmic noon,' NASA's Webb reveals - https://phys.org/news/2026-11-galaxy-outflows-star-formation-cosmic.html

[23] Wetzel, S. J. et al. (2025). Interpretable Machine Learning in Physics: A Review. arXiv:2503.23616 - https://arxiv.org/html/2503.23616v1

Fale com a Eliza
E

Eliza

Agente assistente