A criação de uma ferramenta de inteligência artificial que permite, com alta precisão, captar dados sobre exoplanetas, contribuindo para a missão da Agência Espacial Europeia, valeu ao investigador Luís Simões a vitória no Ariel Machine Learning Data Challenge.

A criação de uma ferramenta de inteligência artificial que permite, com alta precisão, captar dados sobre exoplanetas, contribuindo para a missão da Agência Espacial Europeia, valeu ao investigador Luís Simões a vitória no Ariel Machine Learning Data Challenge.

O prémio chegou depois de Luís Simões ter aperfeiçoado a capacidade de detecção de exoplanetas, através da captação de luz emitida por uma estrela, com um algoritmo de alta precisão.

O desafio foi lançado pela Agência Espacial Europeia (ESA, na sigla inglesa) para garantir as condições necessárias ao estudo de exoplanetas – ​planetas que orbitam à volta de uma estrela, mas não pertencem ao sistema solar – na missão Ariel, que será lançada em 2029.

Para o investigador português, que participa “periodicamente em competições de machine learning para o espaço”, este concurso trazia a vantagem de desenvolver as suas “capacidades de abordar os problemas e aplicar diferentes algoritmos”, bem como de se manter “a par dos desenvolvimentos em inteligência artificial”.

Ao desafio, que lhe pareceu “excelente, pela relevância e pela complexidade”, respondeu com a criação de uma solução com uma margem de erro médio de 0,00007.

“O problema em concreto, a detecção de exoplanetas, faz-se por diferentes abordagens, mas aquela que tem tido mais sucesso tem a ver com o estudo das curvas de luz. Portanto, da luz que nos chega vinda de uma estrela e, quando um planeta na sua órbita passa à frente, a forma que essa curva assume diz-nos muito sobre o planeta”, explicou Luís Simões à agência Lusa.

Esse método já foi usado “para identificar milhares de exoplanetas”, reconhece, “mas esta missão tem um objectivo bastante ambicioso”, que passa por “compreender a composição química da atmosfera desses planetas”. “Isso só será possível com ferramentas que não existem hoje em dia, daí o interesse de, dez anos antes, se começar a estudar e a lançar o desafio à comunidade”, acrescentou Luís Simões.

A solução a que chegou não fornece novos dados, mas Luís Simões criou um “modelo que, praticamente, não tem erro (...), um modelo de alta precisão”. Essa precisão importa, porque “a questão da inferência da composição química da atmosfera é um processamento subsequente àqueles dados que o algoritmo dará”, diz. “Aí, já entra noutras áreas da astrofísica, mas a questão é que, se neste passo da cadeia de interpretação de dados se fizer uma interpretação errada, depois os passos seguintes ficarão induzidos em erro sobre o que é que serão as características reais do planeta”, concretizou.

Para lá chegar, este algoritmo programa-se “automaticamente, em função de dados de treino”. Para isso, a equipa que lidera a missão da ESA “criou dados sintéticos, através de simuladores, que recriam, o mais fielmente possível que se consegue neste momento, aqueles que serão os dados futuros que a missão irá recolher”.

Esses dados foram corrompidos “pelos tipos de corrupções de dados que surgirão na missão – devido a flutuações térmicas, devido a todo o desafio de medir a centenas de anos-luz a quantidade de fotões que estão a vir de diferentes fontes”. Mas, sabendo quais eram os dados iniciais, foi possível avaliar o nível de precisão das soluções apresentadas. “Estamos a anos de distância, este não é ainda o modelo final, mas é já um passo considerável para atingir os níveis de precisão que a missão deseja ter”, afirmou ainda o investigador.

Luís Simões começou a trabalhar na aplicação de inteligência artificial a problemas do espaço, tendo produzido sistemas para a Airbus e para a ESA para controlar a aterragem de naves noutros planetas. Em 2008, com a crise, foi viver para os Países Baixos, onde começou a colaborar com a ESA. Regressou a Portugal em 2018, onde, com a mulher, criou a empresa ML Analytics.