Chinês (Simplificado) 
Chinês (Tradicional) 
Inglês 
Francês 
Alemão 
Italiano 
Japonês 
Norueguês 
Espanhol 
4 min de leitura
0 comentários
A astronomia vive de surpresas, e muitas delas chegam de onde menos se espera. Entre telescópios gigantes e missões bilionárias, um estudante do ensino médio conseguiu chamar atenção da comunidade científica. Com inteligência artificial, ele transformou dados esquecidos em descobertas que revelam o quanto ainda há para explorar no universo.
Um estudante do ensino médio da Califórnia surpreendeu a comunidade científica ao usar inteligência artificial para detectar mais de 1,5 milhão de objetos espaciais até então não identificados.
O trabalho, revisado por pares, foi publicado no The Astronomical Journal, dando credibilidade imediata à descoberta.
Um pipeline de IA criado por um adolescente
Matteo Paz, morador de Pasadena, entrou em 2022 na Planet Finder Academy do Caltech, um programa que oferece a jovens estudantes experiências reais com desafios astronômicos. Lá, recebeu orientação de Davy Kirkpatrick, cientista do Centro de Processamento e Análise de Infravermelho (IPAC).
-
Sete celulares com melhor custo-benefício para comprar em setembro de 2025: iPhone 15 segue valendo a pena mesmo após lançamento do iPhone 17
-
Sonda soviética derreteu após somente 53 minutos em Vênus — mas nesse breve período, ele capturou as primeiras fotos da superfície do planeta
-
BL lança maior caixa de som de sua história: o que esperar da PartyBox 720 com 800W, XLR, Auracast e 15h de festa
-
Mudanças climáticas provocam falha inédita da ressurgência no Golfo do Panamá e ameaçam ecossistemas marinhos
Ele teve acesso a dados do telescópio NEOWISE da NASA, lançado em 2009 para monitorar asteroides próximos à Terra. Com mais de uma década de observações em infravermelho do céu inteiro, o acervo continha informações sobre bilhões de fontes de luz, muitas ainda não analisadas.
O problema era a escala. O conjunto ultrapassava 200 bilhões de linhas de observações. A equipe inicialmente considerou estudar apenas uma fração manualmente. Paz, no entanto, decidiu buscar outra solução.
Tecnologia aplicada à astronomia
Com experiência em matemática, programação e análise de séries temporais, o estudante desenvolveu um pipeline de aprendizado de máquina para identificar sinais sutis escondidos nos dados. Em apenas seis semanas, conseguiu montar um sistema capaz de reconhecer fontes de luz fracas e variáveis.
Segundo Kirkpatrick, os resultados surgiram quase imediatamente. À medida que o modelo era refinado, os padrões se tornavam mais claros.
Identificação de fenômenos variáveis
A grande conquista foi detectar objetos que piscavam, pulsavam ou diminuíam de intensidade. Esse tipo de comportamento pode indicar a presença de quasares, estrelas binárias eclipsantes ou até supernovas.
Além disso, o algoritmo revelou sinais que haviam passado despercebidos em análises anteriores. Algumas variáveis mudavam de forma tão lenta ou tão rápida que não se enquadravam em estudos convencionais.
O encontro entre Big Data e Big Sky
Para alcançar esses resultados, Paz aplicou técnicas como transformadas de Fourier e análise wavelet. Essas ferramentas permitem observar variações em sinais ao longo do tempo e foram fundamentais para lidar com as limitações de amostragem do NEOWISE.
Durante meses, o estudante trabalhou ao lado de cientistas como Shoubaneh Hemmati, Daniel Masters, Ashish Mahabal e Matthew Graham. Juntos, aplicaram o modelo em toda a base de dados.
O esforço resultou em um catálogo com mais de 1,5 milhão de fontes variáveis, agora documentado em artigo científico. O lançamento público do catálogo está previsto para 2025.
Esse material deverá apoiar futuras observações com telescópios avançados, como o Observatório Vera Rubin e o Telescópio Espacial James Webb, permitindo novos estudos sobre ciclos estelares e fenômenos cósmicos distantes.
Uma trajetória em construção
A descoberta mudou a rotina de Paz. Mesmo ainda no ensino médio, ele se tornou assistente de pesquisa remunerado no IPAC, continuando a desenvolver seu pipeline e treinando novos colegas na academia.
Seu desempenho chama atenção porque utilizou habilidades normalmente vistas em nível de pós-graduação. Entre elas, estão a modelagem de séries temporais e o uso de algoritmos para interpretação de dados astronômicos.
Tudo isso foi possível graças à Academia de Matemática do Distrito Escolar Unificado de Pasadena, um programa público rigoroso que oferece formação além do currículo tradicional.
Potenciais além da astronomia
Embora tenha sido criado para analisar dados espaciais, o pipeline tem aplicações em outras áreas. Qualquer conjunto que envolva variações temporais pode ser estudado com a mesma lógica.
Portanto, campos como finanças, monitoramento ambiental e até neurociência podem se beneficiar da abordagem. Pequenas oscilações em séries de dados muitas vezes guardam informações críticas que escapam à análise tradicional.
Essa versatilidade mostra como métodos desenvolvidos para a astronomia podem ser adaptados a setores diversos. É um exemplo claro de como a ciência interdisciplinar cresce apoiada pelo aprendizado de máquina.
Reconhecimento e incentivo
Para Kirkpatrick, apoiar jovens com talento é essencial. Ele destacou que faz questão de garantir que alunos promissores tenham as condições necessárias para alcançar seus objetivos.
Já Paz afirmou que enxerga no trabalho um ponto de partida. Acredita que o pipeline pode ser expandido, trazendo descobertas tanto no espaço quanto em áreas da Terra.
Um estudante que desafiou os limites
A trajetória mostra como a curiosidade e o acesso a oportunidades podem gerar avanços inesperados. O que começou como um desafio de verão se transformou em um catálogo gigantesco de informações sobre o universo.
E a frase escolhida por ele para resumir o feito explica o impacto da conquista: “Eu mapeei o invisível”.
Seja o primeiro a reagir!