Una partita a scacchi ha 20 possibili mosse di apertura. Immagina invece che ti venga chiesto di iniziare una partita con decine di milioni di aperture. Questo era il compito assegnato ad Adam Friedman, uno stagista estivo 2020 presso il Goddard Space Flight Center della NASA a Greenbelt, Maryland. Un campione di scacchi al liceo, Friedman ha analizzato il suo avversario:un diluvio di dati sui cambiamenti di luminosità di oltre 70 milioni di stelle.

Utilizzando i tradizionali approcci computazionali, il compito di vagliare e classificare queste misurazioni avrebbe potuto richiedere mesi. Con l'uso dell'apprendimento automatico, una forma di intelligenza artificiale, questo può essere realizzato in pochi secondi. Lavorando con Brian Powell, uno scienziato dei dati nel Centro di ricerca dell'archivio di scienza dell'astrofisica delle alte energie a Goddard, Friedman ha addestrato un sistema informatico per identificare un'importante classe di stelle variabili senza programmarlo esplicitamente.

L'apprendimento automatico consente ai computer di elaborare e ordinare automaticamente enormi quantità di dati, proprio ciò che era necessario per setacciare il torrente di dati stellari. Per fare questo, Powell ha creato una rete neurale, una serie di regole matematiche che tentano di riconoscere le relazioni sottostanti nei dati attraverso un processo che imita, in modo molto semplificato, come funziona il cervello umano. Perché una rete neurale funzioni, anche se, deve essere addestrato.

"Il tirocinio riguardava la raccolta di dati sulla formazione, "Friedman ha detto, "perché l'apprendimento automatico funziona raccogliendo un numero incredibilmente elevato di esempi per addestrare il modello".

Il Transiting Exoplanet Survey Satellite (TESS) della NASA è stato lanciato nell'aprile 2018 per trovare nuovi mondi oltre il nostro sistema solare, o pianeti extrasolari, monitorando i cambiamenti di luminosità nelle stelle vicine. Dal suo lancio, TESS ha osservato quasi tutto il cielo. Bisettimanale, il satellite trasmette diverse migliaia di immagini di grandi dimensioni chiamate immagini a pieno formato di una sezione di cielo pianificata.

Gli astronomi usano i dati per costruire curve di luce, grafici che mostrano come la luminosità di una stella cambia nel tempo. Dai dati grezzi TESS, Powell ha usato il 129, 000-core Scopri il supercomputer presso il Center for Climate Simulation (NCCS) della NASA a Goddard per costruire milioni di curve di luce.

"Grazie al supporto di NCCS, siamo stati in grado di iniziare a costruire curve di luce in quantità enormi. Abbiamo circa 70 milioni ora, con altro in arrivo. La scienza dei dati e l'apprendimento automatico possono aiutare a guidare queste scoperte, consentendo di ordinare ed elaborare grandi volumi di dati in modo più rapido e accurato che mai, "Powell ha detto.

Fuori da questo enorme mucchio, Friedman voleva identificare i binari ad eclisse, stelle accoppiate che passano alternativamente davanti, o transito, ogni orbita vista dalla Terra. Durante ogni eclissi, il sistema si attenua quando una stella passa davanti all'altra, che produce un tuffo nella sua curva di luce. "La caratteristica davvero utile dei binari a eclisse, e la ragione per cui sono la spina dorsale dell'astrofisica, è che ci danno misurazioni dirette delle loro proprietà fondamentali, come la loro massa e dimensione, " ha detto Veselin Kostov, un ricercatore presso Goddard e il SETI Institute di Mountain View, California. "E attraverso queste proprietà, possiamo misurare direttamente le distanze a questi sistemi. Ci offrono una delle pochissime opportunità di misurare le distanze dirette nell'universo".

NCCS ha anche fornito il proprio cluster di unità di elaborazione grafica della piattaforma di analisi dei dati avanzata per l'esecuzione della rete neurale codificata da Powell e addestrata da Friedman.

Friedman potrebbe inserire una curva di luce e istruire la rete neurale ad assegnarla a una particolare categoria. Dopo aver ripetuto questa azione migliaia di volte, la rete neurale ha cominciato a riconoscere gruppi di curve di luce ea suggerire classificazioni basate sulla probabilità che una data curva rientri in un dato gruppo. Friedman ha trovato curve di luce di esempio per un'ampia gamma di sistemi stellari e le ha immesse finché la rete non ha appreso come apparivano ciascuna di esse e ha potuto identificare nuove curve di luce in modo autonomo. Ciò ha consentito di completare in pochi secondi un'attività che avrebbe richiesto mesi su un moderno computer desktop.

L'apprendimento automatico migliora notevolmente l'efficienza di trovare questi sistemi stellari in decine di milioni di immagini TESS imparando a identificare le caratteristiche di un'eclissi ed etichettando di conseguenza la curva di luce. Ma Friedman notò presto una stranezza in alcune delle curve di luce che la rete aveva affermato stavano eclissando i candidati binari. Avevano salse extra.

Occasionalmente, i sistemi stellari possono avere più di due componenti. Se queste stelle si eclissano a vicenda, quindi la curva di luce avrà dimmerazioni aggiuntive che, a prima vista, apparirà a intervalli irregolari. Friedman scoprì che erano candidati per sistemi multistellari e quindi iniziò una ricerca esaustiva di sistemi simili tra le binarie a eclisse identificate dalla rete neurale. In totale, Friedman ha trovato otto nuovi sistemi stellari quadrupli candidati. Questi casi sono interessanti perché forniscono informazioni su come si formano ed evolvono i sistemi multistellari.

Friedman aveva appena terminato il suo primo anno di specializzazione in informatica all'Università del Michigan, e, all'inizio dell'estate, non aveva esperienza in astronomia, calcolo ad alte prestazioni, scienza dei dati, o apprendimento automatico. Ad aggravare la complessità del compito da svolgere, Friedman ha svolto il suo tirocinio da casa a causa del COVID-19, ma nonostante queste difficoltà, Powell ha detto che ha capito subito.

"Lui è a dir poco brillante, "Powell ha detto. "Adam ha una straordinaria capacità di vedere le deviazioni dalla periodicità nelle curve di luce." Con un risultato così cosmicamente profondo dal suo internato, è facile dimenticare il corso dei progressi di Friedman. "Non è che fosse un astronomo ed esperto di machine learning all'inizio dell'estate, " ha aggiunto. "La sua capacità di padroneggiare concetti e set di abilità estremamente complessi in così poco tempo è sorprendente".

Friedman era grato per il tempo trascorso con Powell durante l'estate. Ha detto:"Devo dare un enorme credito a Brian. È stato un mentore incredibile; è stato sicuramente il miglior supervisore che abbia mai incontrato. Mi ha incontrato ogni singolo giorno, solo per insegnarmi come fare il progetto. È stato davvero un grande maestro».