O ChronoFlow, alimentado por IA, utiliza as velocidades de rotação das estrelas para estimar as suas idades

A determinação da idade das estrelas é fundamental para a compreensão de muitas áreas da astronomia, mas continua a ser um desafio, uma vez que a idade das estrelas não pode ser determinada apenas pela observação. Os astrónomos da Universidade de Toronto recorreram, por isso, à inteligência artificial. O seu novo modelo, denominado ChronoFlow, utiliza um conjunto de dados de estrelas em rotação em enxames e aprendizagem automática para determinar como a velocidade de rotação de uma estrela muda com a idade.

Esta abordagem, recentemente publicada no The Astrophysical Journal, permite prever as idades das estrelas com uma precisão anteriormente inatingível com modelos analíticos.

“O primeiro momento de surpresa surgiu durante a fase de prova de conceito, quando percebemos que esta técnica era realmente muito promissora”, explica Phil Van-Lane, estudante de doutoramento no Departamento de Astronomia e Astrofísica David A. Dunlap da Faculdade de Artes e Ciências, que liderou a investigação. Van-Lane trabalhou neste projeto com Josh Speagle e Gwen Eadie, ambos professores assistentes de astroestatística nos Departamentos de Ciências Estatísticas e de Astronomia e Astrofísica. A investigação utiliza duas abordagens existentes para melhor estimar as idades das estrelas. A primeira decorre do facto de as estrelas tenderem a formar-se em aglomerados. Isto significa que os investigadores podem frequentemente determinar a idade de todas as estrelas de um enxame observando as fases evolutivas das estrelas mais massivas do enxame, que progridem mais rapidamente do que aquelas com menos massa. Ao mesmo tempo, os investigadores sabem que, à medida que as estrelas envelhecem, a sua rotação tende a abrandar devido à interação entre o seu campo magnético e o seu vento estelar, um fenómeno bem compreendido, mas difícil de quantificar, utilizando uma fórmula matemática simples.

Com o ChronoFlow, investigadores da Universidade de Toronto compilaram o maior catálogo alguma vez criado de estrelas em rotação em enxames, com aproximadamente 8.000 estrelas em mais de 30 enxames de idades variadas, utilizando dados de levantamentos estelares como Kepler, K2, TESS e GAIA. De seguida, usaram este conjunto de dados para treinar o seu modelo de IA para prever como a velocidade de rotação de uma estrela muda com a idade.

“A nossa metodologia pode ser comparada à que é utilizada para estimar a idade de uma pessoa”, explica Speagle, que liderou o projeto do início ao fim. “Em astronomia, não sabemos a idade de todas as estrelas. Sabemos que os grupos de estrelas têm a mesma idade, o que é como ter um monte de fotografias de pessoas com 5, 15, 30 e 50 anos, e depois alguém entrega-lhe uma nova fotografia e pede-lhe para estimar a idade dessa pessoa.” É um problema complicado.”

O resultado? O ChronoFlow aprendeu a estimar as idades de outras estrelas com uma precisão notável. De facto, modela a evolução esperada das taxas de rotação das populações estelares ao longo do tempo. Esta investigação pode ter implicações importantes em muitas áreas da astronomia. Conhecer as idades das estrelas é necessário não só para compreender o seu funcionamento, mas também para modelar a formação e a evolução dos exoplanetas e para estudar a história evolutiva da nossa Via Láctea e de outras galáxias.

O sucesso do ChronoFlow também demonstra como os modelos de aprendizagem automática podem fornecer informações valiosas sobre outros problemas astrofísicos. O modelo estará disponível publicamente, juntamente com documentação e tutoriais que explicam como inferir a idade das estrelas a partir de observações. O código está disponível no GitHub.

Fonte: nouvelordremondial Phys.org, 13 de julho de 2025 – Tradução por jOSé cALEIro MMH

Related Images: