L'IA ASTERIS triplica il rilevamento di galassie primordiali nei dati del JWST

Cos'è ASTERIS e come funziona?

ASTERIS è un framework di IA self-supervised progettato per potenziare l'imaging astronomico filtrando il rumore spaziotemporale che offusca i segnali più deboli nello spazio profondo. Sviluppato da un team di ricercatori tra cui Hao Zhang, Xiaojing Lin e Xinyang Li della Tsinghua University, utilizza un'architettura basata su transformer per identificare e correggere i pattern di rumore correlato attraverso esposizioni multiple senza richiedere dati di addestramento pre-etichettati.

Gli astronomi lottano da tempo contro il noise floor dell'imaging dello spazio profondo, che spesso oscura i segnali più deboli provenienti dall'universo primordiale. Questo rumore non è puramente casuale; è frequentemente correlato tra pixel di immagini vicini e attraverso esposizioni sequenziali. Le tecniche di denoising tradizionali spesso faticano a preservare l'accuratezza fotometrica o la point spread function (PSF), rischiando di creare artefatti che sembrano oggetti celesti. Trattando le sequenze di immagini come un volume spaziotemporale 3D, ASTERIS apprende la struttura del rumore sottostante del telescopio stesso, permettendogli di "vedere" attraverso le interferenze che limitano gli attuali osservatori.

L'architettura di ASTERIS rappresenta un cambiamento significativo verso l'intelligenza artificiale specializzata, riflettendo l'efficienza e l'adattabilità riscontrate nella ricerca sulla AGI. Impiegando un approccio di apprendimento self-supervised, l'algoritmo non ha bisogno di un'immagine di riferimento "pulita" (ground-truth) da cui apprendere. Al contrario, utilizza la coerenza interna dei dati astronomici stessi per distinguere tra segnali fisici — come stelle e galassie lontane — e il rumore sistematico del sensore. Questa capacità lo rende uno strumento ideale per l'elaborazione dei vasti set di dati non etichettati attualmente generati dal James Webb Space Telescope (JWST).

Quante galassie distanti in più può rilevare ASTERIS?

L'algoritmo ASTERIS ha dimostrato la capacità di triplicare il numero di candidati galassie ad alto redshift rilevabili nei set di dati esistenti del James Webb Space Telescope. Nello specifico, applicato alle immagini profonde del JWST, lo strumento ha identificato un numero tre volte superiore di candidati galassie a redshift > 9, che rappresentano l'universo appena poche centinaia di milioni di anni dopo il Big Bang.

Questo massiccio aumento dei rilevamenti è possibile perché ASTERIS recupera strutture a bassa luminosità superficiale che erano precedentemente sepolte sotto il noise floor. Nello studio, i ricercatori hanno scoperto che le galassie appena identificate erano circa 1,0 magnitudine più deboli nella loro luminosità ultravioletta nel sistema di riposo (rest-frame) rispetto a quelle trovate utilizzando i precedenti metodi di elaborazione. Questo salto di sensibilità sposta effettivamente i confini dell'universo "osservabile", consentendo ai cosmologi di colmare le lacune dell'Alba Cosmica (Cosmic Dawn).

L'impatto di questo aumento del tasso di rilevamento include:

• Dimensioni dei campioni aumentate: popolazioni più ampie di galassie primordiali consentono analisi statistiche più robuste sulla formazione delle prime galassie.
• Recupero di segnali più deboli: rilevamento di galassie nane nell'universo primordiale che erano precedentemente invisibili.
• Purezza migliorata: il mantenimento del 90% di completezza e purezza assicura che le "nuove" galassie siano oggetti fisici reali piuttosto che artefatti del rumore.

Cosa significa un miglioramento di 1,0 magnitudini nella profondità di rilevamento?

In termini astronomici, un miglioramento di 1,0 magnitudini significa che un telescopio può rilevare oggetti circa 2,5 volte più deboli rispetto al suo precedente limite tecnico. Poiché la scala della magnitudine astronomica è logaritmica, un miglioramento di un singolo passo rappresenta un salto enorme nell'efficienza di raccolta della luce, estendendo efficacemente la "portata" di un telescopio senza richiedere tempi di esposizione più lunghi.

Questo incremento di 1,0 magnitudine ottenuto da ASTERIS è un parametro trasformativo per la cosmologia osservativa. Di solito, raggiungere una tale profondità richiederebbe un aumento significativo del tempo totale di osservazione — spesso raddoppiando o triplicando le ore necessarie su uno strumento competitivo come il JWST. Ottenendo questa profondità attraverso il denoising spaziotemporale self-supervised, i ricercatori possono essenzialmente estrarre dati "gratuiti" dalle osservazioni esistenti, rendendo ogni secondo di tempo del telescopio più produttivo.

La conservazione dell'accuratezza fotometrica durante questo processo è fondamentale. Se un algoritmo riduce il rumore ma altera la luminosità o la forma della galassia, i dati diventano inutili per la misurazione scientifica. Il benchmarking su dati simulati (mock data) ha confermato che ASTERIS mantiene l'integrità della point spread function, assicurando che i profili luminosi di stelle e galassie rimangano indistorti. Questa precisione è ciò che distingue questo approccio guidato dall'IA dai comuni filtri di smoothing dell'immagine, posizionandolo come uno strumento fondamentale per la prossima generazione di strumenti scientifici assistiti dall'AGI.

La sfida del noise floor nell'astronomia moderna

La barriera principale per l'esplorazione dello spazio profondo non è più solo la dimensione dello specchio, ma il rumore correlato inerente ai moderni sensori digitali. Queste fonti di rumore — che vanno dalle fluttuazioni termiche alle interferenze elettroniche — spesso imitano l'aspetto di galassie deboli e lontane. Quando gli astronomi tentano di guardare più indietro nel tempo verso l'universo primordiale, i segnali che cercano sono così fiuochi da essere frequentemente indistinguibili da queste fluttuazioni di fondo.

Le pipeline di imaging tradizionali si affidano alla sovrapposizione di esposizioni multiple per mediare il rumore casuale, ma questo non tiene conto del rumore correlato nel tempo e nello spazio. Raggiungere magnitudini più profonde è essenziale per studiare come si sono formate le prime stelle e i primi buchi neri. Senza nuovi metodi per rompere questo noise floor, telescopi come il Subaru Telescope e il JWST raggiungerebbero alla fine un punto di rendimenti decrescenti, dove il tempo di osservazione supplementare non produrrebbe più nuove scoperte.

Introduzione allo Spatiotemporal Transformer di ASTERIS

ASTERIS sfrutta la potenza dei modelli basati su transformer, che eccellono nell'identificare dipendenze a lungo raggio nei dati. Nel contesto dell'imaging astronomico, le "dipendenze" sono i pattern di rumore che si ripetono in diverse parti del sensore o in momenti diversi durante un'osservazione. Integrando l'informazione spaziotemporale, l'algoritmo costruisce un modello complesso di come appare il rumore, permettendogli di sottrarlo lasciando intatti i segnali unici e non ripetitivi degli oggetti celesti.

Questo approccio rappresenta una grande evoluzione nell'ottica computazionale. A differenza dei precedenti modelli di IA addestrati su tipi specifici di galassie, la natura self-supervised di ASTERIS fa sì che esso apprenda dal dataset specifico che sta elaborando in quel momento. Questa flessibilità è un segno distintivo dell'intelligenza avanzata, mostrando come i principi della AGI possano essere applicati per creare strumenti altamente specializzati che non soffrono dei pregiudizi dei set di addestramento preesistenti. Il risultato è un sistema robusto e adattabile che funziona su diversi telescopi e set di filtri.

Validazione nel mondo reale: dal Subaru al JWST

I ricercatori hanno validato ASTERIS utilizzando sia dati sintetici "mock" sia osservazioni reali provenienti dai principali osservatori terrestri e spaziali. Nei dati del Subaru Telescope, ASTERIS ha identificato con successo strutture galattiche a bassa luminosità superficiale e archi di lente gravitazionale che erano completamente invisibili nelle immagini originali elaborate. Queste caratteristiche sono vitali per mappare la distribuzione della materia oscura, che fornisce l'impalcatura gravitazionale per le galassie.

Quando applicato alle immagini di campo profondo del James Webb Space Telescope, i risultati sono stati ancora più profondi. L'algoritmo ha identificato una popolazione di galassie con redshift > 9 che le precedenti pipeline all'avanguardia avevano mancato. Questa validazione prova che l'algoritmo non è solo un miglioramento teorico ma uno strumento pratico che può essere applicato ai dati d'archivio attuali per produrre immediatamente nuove scoperte scientifiche.

Implicazioni future per la cosmologia

La capacità di ASTERIS di spingere i limiti di rilevamento di una magnitudine intera potrebbe riscrivere fondamentalmente la cronologia della formazione delle prime galassie. Se l'universo era più popolato di galassie deboli poco dopo il Big Bang di quanto si pensasse in precedenza, i nostri modelli di evoluzione cosmica dovranno essere corretti. Questo metodo di denoising guidato dall'IA potrebbe essere applicato anche ai "dati legacy" di vecchie missioni come Hubble o Spitzer, rivelando potenzialmente nuove scoperte in dati che gli astronomi pensavano di aver già pienamente esaurito.

Mentre il campo dell'intelligenza artificiale continua a evolversi, il confine tra raccolta e analisi dei dati si sta sfumando. Il successo di ASTERIS segnala un futuro in cui l'IA non è solo un passaggio secondario nell'analisi, ma una componente primaria del sistema visivo del telescopio. In questa nuova era della scienza potenziata dalla AGI, il fattore limitante nella nostra comprensione dell'universo non sarà più l'hardware fisico che lanciamo nello spazio, ma la sofisticatezza degli algoritmi che usiamo per interpretare la luce che cattura.