Equipe do CBPF Vence Desafio Internacional de Lentes Gravitacionais
A equipe LITCOMP-IA do CBPF venceu o segundo Desafio de Lentes Gravitacionais Fortes com aprendizado de máquina, destacando o potencial brasileiro em astrofísica e abrindo caminhos para novas aplicações científicas.
O Centro Brasileiro de Pesquisas Físicas (CBPF), através da equipe LITCOMP-IA, venceu o segundo Desafio de Lentes Gravitacionais Fortes, competição internacional que reúne especialistas em astrofísica e ciência de dados. O desafio consistia em identificar sistemas de lentes gravitacionais fortes em um conjunto de imagens astronômicas simuladas, utilizando para isso técnicas avançadas de aprendizado de máquina e inteligência artificial.
O Desafio de Lentes Gravitacionais Fortes (Strong Gravitational Lensing Challenge) foi organizado pela equipe da Bologna Lens Factory , que é um grupo de pesquisa focado em astrofísica da Universidade de Bolonha, Itália. Este grupo é conhecido por suas contribuições significativas ao estudo de lentes gravitacionais e à cosmologia, e organizou o desafio como uma forma de estimular o desenvolvimento e a aplicação de técnicas avançadas de análise de dados, incluindo aprendizado de máquina e inteligência artificial, para identificar sistemas de lentes gravitacionais em grandes conjuntos de dados astronômicos.
Da esq. para dir: Patrick, Marcelo, Martín, Paulo, Clécio, Pedro, Manuel, Marcos e Luciana
A Equipe Vencedora
A equipe vencedora do desafio -- autodenominada CAST (CBPF Arc Search Team ou Time de Busca de Arcos do CBPF) -- é formada por
Líder da Equipe
- Clécio De Bom - CBPF e CEFET-RJ
Desenvolvimento Tecnológico
- Patrick Schubert - CBPF
- Manuel Blanco Valentín - CBPF
- Luciana Oliva Dias - CBPF
- Marcelo Portes de Albuquerque - CBPF
- Paulo José Russano - CBPF
- Marcos Vinicius Silva - CBPF
- Pedro Russano - CBPF
Pesquisa Científica
- Cristina Furlanetto - UFRGS
- Martín Makler - CBPF
Todos atuam na área de Inteligência Artificial, Visão Computacional e/ou Cosmologia. Além do 1o lugar, o CAST ainda arrematou o 3o, 4o e 6o lugares.
O Fenômeno das Lentes Gravitacionais Fortes: Lentes gravitacionais fortes ocorrem quando a luz de objetos astronômicos distantes, como galáxias ou quasares, é desviada e amplificada por uma grande concentração de massa (como outra galáxia ou aglomerado de galáxias) situada entre o objeto observado e o observador. Este fenômeno não apenas permite a observação de objetos distantes e a investigação da estrutura do universo, mas também é essencial para o estudo da matéria escura, que não emite luz e, portanto, não pode ser observada diretamente.
Estratégias e Metodologias da Equipe Vencedora: A equipe do CBPF desenvolveu uma estratégia vencedora que envolveu o uso de redes neurais profundas para analisar e classificar as imagens. Uma das principais inovações foi a implementação de uma arquitetura de rede com duas ramificações, capaz de processar imagens em diferentes resoluções. Esta abordagem permitiu uma análise mais detalhada e precisa das imagens, melhorando significativamente a capacidade de identificação dos sistemas de lentes gravitacionais.
A arquitetura de aprendizado profundo utilizada neste trabalho foi baseada no modelo EfficientNet-B2. Painel (a): nosso modelo de duas ramificações, utilizado para treinar simultaneamente imagens nas bandas H, J, Y (Infravermelho Próximo) e VIS (Visível). Painel (b): bloco Mobile Inverted Bottleneck Convolution, com fases de compressão e excitação. Painel (c): arquitetura completa do modelo EfficientNet-B2. Os blocos MBConv são fundamentais para a estrutura do modelo, atuando como um mecanismo eficiente para capturar características das imagens através de uma combinação de compressão e excitação dentro do processo de aprendizado. Essa configuração permite que o modelo ajuste dinamicamente a importância de diferentes características aprendidas durante o treinamento, otimizando a precisão na identificação de lentes gravitacionais.
O MBConv, ou Mobile Inverted Bottleneck Convolution, é um bloco fundamental utilizado em arquiteturas de redes neurais profundas, especialmente na família de modelos EfficientNet. Este bloco é uma variação aprimorada do tradicional módulo de convolução, projetado para aumentar a eficiência computacional e a eficácia do modelo em tarefas de processamento de imagens.
Resultados:
A vitória da equipe LITCOMP-IA do CBPF neste desafio destaca a capacidade e a excelência da pesquisa científica brasileira em campos altamente especializados, como a astrofísica e a ciência de dados. Além disso, os modelos e metodologias desenvolvidos como parte do desafio têm o potencial de serem aplicados em outras áreas da astronomia e além, ampliando o impacto desta conquista.
Resultados:
A vitória da equipe LITCOMP-IA do CBPF neste desafio destaca a capacidade e a excelência da pesquisa científica brasileira em campos altamente especializados, como a astrofísica e a ciência de dados. Além disso, os modelos e metodologias desenvolvidos como parte do desafio têm o potencial de serem aplicados em outras áreas da astronomia e além, ampliando o impacto desta conquista.
A conquista da equipe do CBPF no segundo Desafio de Lentes Gravitacionais Fortes é um testemunho do potencial da colaboração interdisciplinar entre a astrofísica e a ciência de dados. Ao aplicar técnicas avançadas de inteligência artificial à pesquisa astronômica, a equipe não apenas alcançou uma vitória significativa em um cenário internacional competitivo, mas também contribuiu para o avanço do conhecimento científico, abrindo novas possibilidades para a exploração do universo.
Para mais detalhes:
Developing a victorious strategy to the second strong gravitational lensing data challenge
C R Bom, B M O Fraga, L O Dias, P Schubert, M Blanco Valentin, C Furlanetto, M Makler, K Teles, M Portes de Albuquerque, R Benton Metcalf Monthly Notices of the Royal Astronomical Society, Volume 515, Issue 4, October 2022, Pages 5121–5134,
https://doi.org/10.1093/mnras/stac2047Published: 22 July 2022 Article history
ABSTRACT
Strong lensing is a powerful probe of the matter distribution in galaxies and clusters and a relevant tool for cosmography. Analyses of strong gravitational lenses with deep learning have become a popular approach due to these astronomical objects’ rarity and image complexity. Next-generation surveys will provide more opportunities to derive science from these objects and an increasing data volume to be analysed. However, finding strong lenses is challenging, as their number densities are orders of magnitude below those of galaxies. Therefore, specific strong lensing search algorithms are required to discover the highest number of systems possible with high purity and low false alarm rate. The need for better algorithms has prompted the development of an open community data science competition named strong gravitational lensing challenge (SGLC). This work presents the deep learning strategies and methodology used to design the highest scoring algorithm in the second SGLC (II SGLC). We discuss the approach used for this data set, the choice of a suitable architecture, particularly the use of a network with two branches to work with images in different resolutions, and its optimization. We also discuss the detectability limit, the lessons learned, and prospects for defining a tailor-made architecture in a survey in contrast to a general one. Finally, we release the models and discuss the best choice to easily adapt the model to a data set representing a survey with a different instrument. This work helps to take a step towards efficient, adaptable, and accurate analyses of strong lenses with deep learning frameworks.