IA generalista supera limitações da IA especialista para medir distâncias no Universo

Recentemente, o Observatório Nacional (ON/MCTI) realizou uma palestra em que discutiu como a Inteligência Artificial (IA) pode atuar como uma extensão do julgamento humano. Um dos conceitos centrais apresentados foi o da fronteira serrilhada (jagged frontier): a ideia de que a IA é excelente em certas tarefas, mas falha de forma inesperada em outras muito parecidas. Esse conceito encontrou uma comprovação prática em um trabalho liderado por uma pesquisadora do próprio ON, a Dra. Lilianne Nakazono, em parceria com a doutoranda Raquel Valença (IAG-USP) e o Dr. Rafael Izbicki (UFSCar). O estudo, aceito para publicação na revista Astrophysical Journal, demonstra que modelos de IA generalista conseguem superar falhas históricas da IA especialista na medição da distância de quasares, que são núcleos galácticos brilhantes alimentados por buracos negros.

O quasar RX J1131-1231, localizado a mais de 6 bilhões de anos-luz da Terra. Fonte: NASA/ESA/STScI/CXC.

O nó das distâncias cósmicas

O trabalho abordou um dos problemas mais antigos da astronomia: medir a distância de objetos no espaço profundo. Para os quasares, os cientistas utilizam o redshift (“desvio para o vermelho”), que indica o quão esticada a luz de um objeto ficou devido à expansão do Universo.

Para ganhar agilidade, usa-se o foto-z (redshift fotométrico), uma estimativa baseada apenas nas cores do objeto. No entanto, é aqui que a fronteira serrilhada se manifestava: a IA tradicional costumava falhar devido à degenerescência cor-distância, um fenômeno em que quasares em distâncias vastamente diferentes apresentam cores idênticas para os telescópios, confundindo os modelos e gerando erros graves.

IA generalista contra IA especialista

Para superar esse impasse, a equipe liderada pela Dra. Lilianne testou os modelos de fundação tabulares (como o TabPFN 2.5), que são IAs treinadas em uma escala massiva de dados para serem generalistas. Diferentemente dos modelos tradicionais, que são especialistas criados do zero para uma única tarefa, esses novos modelos funcionam prontos para usar e possuem um conhecimento prévio que os torna mais robustos.

Os resultados provaram que o modelo generalista superou oito modelos especialistas justamente nos pontos onde a tecnologia costumava ser ineficaz. Ele manteve a precisão mesmo em situações de dados escassos (poucos objetos para aprender) ou quando os quasares eram extremamente distantes e fracos. Além disso, o sistema mostrou-se resistente ao deslocamento de covariáveis (covariate shift), que ocorre quando os dados de treino são diferentes da realidade observada no céu.

A colaboração e o futuro

O estudo utilizou a técnica SHAP para abrir a caixa-preta da IA, revelando que os dados de infravermelho do satélite WISE foram os indicadores mais decisivos para o sucesso das estimativas. Isso confirma que a tecnologia está capturando a física real dos objetos, cuja poeira quente ao redor do buraco negro emite fortemente no infravermelho.

O sucesso deste trabalho, que contou também com os alunos do ON Maycon Delaqua e Kiana Lins, reforça a tese apresentada na palestra: o modelo híbrido (humano + IA) apresenta resultados superiores e o pesquisador mantém um papel fundamental para guiar a tecnologia. Com a chegada de grandes projetos como o observatório LSST e o satélite Euclid, ter ferramentas capazes de superar as falhas da fronteira serrilhada será essencial para mapear a história do nosso Universo.

Glossário:

Redshift (Desvio para o Vermelho): Uma medida que indica a distância e a idade de um objeto no espaço; quanto mais longe ele está, mais vermelha sua luz chega até nós.

Quasar: O centro extremamente brilhante de uma galáxia distante, alimentado por um buraco negro supermassivo.

Modelos de Fundação: Um tipo de IA treinada com volumes gigantescos de dados para ser generalista, podendo realizar novas tarefas sem treinamento específico.

Foto-z (Redshift Fotométrico): Técnica de estimar a distância de um objeto baseando-se apenas nas suas cores, em vez de analisar sua luz em detalhes.

Degenerescência Cor-Distância: Erro técnico onde objetos em distâncias diferentes apresentam as mesmas cores para o telescópio, confundindo as estimativas da IA.

Deslocamento de Covariáveis (Covariate Shift): Problema que ocorre quando os dados usados para treinar a IA não representam perfeitamente a realidade da população real no céu.

SHAP: Técnica matemática usada para entender quais dados (como cores ou brilho) a IA considerou mais importantes para chegar a um resultado.