Um sistema de aprendizado de máquina chamado AnomalyMatch processou 99,6 milhões de pequenos recortes de imagens do Hubble Legacy Archive em cerca de dois dias e meio. Não anunciou a descoberta por conta própria. Classificou o arquivo, após o que os astrónomos examinaram os candidatos mais fortes e compilaram um catálogo de 1.339 fontes incomuns.
David O’Ryan e Pablo Gomez, da Agência Espacial Europeia, descreveram a busca como um Em artigos revisados por pares Astronomia e Astrofísica. A sua comparação e revisão da literatura revelaram que 811 das fontes selecionadas não tinham referências existentes na literatura científica.
Esta é uma pesquisa, não um consenso fixo. “Anomalia” significa que a forma aparente de um objeto difere da população geral neste conjunto de dados específico. Isto não significa que o sistema encontrou 1.339 eventos fora da física conhecida, ou que cada classificação proposta foi confirmada por observações de acompanhamento.
O arquivo contém recortes, não 100 milhões de exposições separadas
A escala é real, mas as unidades são importantes. O Hubble não tirou 100 milhões de fotos separadas. Os pesquisadores usaram 99,6 milhões de recortes, cada um centrado em uma fonte identificada dentro do mosaico maior pronto para a ciência. A maioria tinha apenas algumas dezenas de pixels de diâmetro e abrangia cerca de sete a oito segundos de arco do céu.
Os recortes foram feitos a partir de observações feitas com a Câmera Avançada do Hubble para o Survey Wide Field Channel através do filtro F814W, que registra luz vermelha e infravermelha próxima. A pesquisa não combinou todos os instrumentos, filtros e exposições do Hubble em um inventário universal. Isto examinou um subconjunto muito grande e consistentemente preparado, adequado para comparar estruturas visíveis.
Essa estrutura foi projetada para atingir o AnomalyMatch. Uma galáxia dispersa com características de maré longas, um arco curvo com lentes gravitacionais ou uma faixa escura em um disco protoplanetário lateral pode parecer diferente de uma população muito maior de fontes comuns. Mudanças de brilho, espectros e outras diferenças astronômicas foram excluídas desta pesquisa baseada na morfologia.
Um modelo criou os rankings e as pessoas criaram o catálogo
AnomalyMatch combina aprendizagem semissupervisionada com aprendizagem ativa. Pode começar com relativamente poucos exemplos rotulados, compará-los com uma coleção muito maior não rotulada e depois melhorar à medida que um especialista analisa os resultados selecionados e fornece rótulos adicionais.
O projeto começou com apenas três exemplos de discos protoplanetários de ponta. Durante o desenvolvimento, o sistema começou a atribuir pontuações altas a outras formas incomuns, incluindo fusões de galáxias e lentes gravitacionais. Os pesquisadores expandiram o conjunto de treinamento até trabalharem até conter 1.400 imagens, 375 rotuladas como anormais e 1.025 nominais.
Aplicado ao conjunto de dados completo, o modelo atribuiu uma pontuação de anomalia a cada recorte. A equipe reteve 5.000 imagens com maior pontuação para uma inspeção mais detalhada. Havia muitas entradas de catálogo duplicadas ou separadas do mesmo objeto, um problema conhecido chamado sombreamento de origem. A correspondência cruzada e a desduplicação reduziram a lista para 1.339 fontes únicas.
O artigo identificou 1.176 anomalias cientificamente interessantes abrangendo 19 categorias de tarefas, após remover imagens nominalmente julgadas. Mais de 1.300 ilustrações detalhadas Conta da NASA de janeiro de 2026 Descreve um conjunto completo de candidatos únicos e de aparência estranha revisados por pesquisadores.
Esta diferença não é motivo para descartar os resultados. Isso mostra como o método realmente funciona. O modelo concentra material promissor em uma pequena lista; A revisão de especialistas separa estruturas astronômicas de fontes comuns, casos incertos e artefatos de imagem.
A maioria das esquisitices eram versões raras de processos conhecidos
A maioria das fontes locais altas eram galáxias que se fundiam ou interagiam com vizinhas. A sua gravidade mútua distorceu os discos, criando vários centros brilhantes e puxando estrelas e gás para fluxos alongados. Tais fusões não são desconhecidas, mas encontrar grandes amostras com tamanhos diferentes é útil para estudar como as galáxias mudam durante os encontros.
Outros candidatos incluíam lentes gravitacionais, onde a massa de um objeto em primeiro plano curva e amplia a luz de uma fonte mais distante. O catálogo também inclui galáxias águas-vivas que perdem gás à medida que se movem através de ambientes densos, galáxias com formações estelares invulgarmente grandes, anéis, arcos, jactos e dois já conhecidos discos protoplanetários de borda.
Quarenta e três objetos resistiram à classificação morfológica no artigo. Não estabelece 43 novos tipos de objetos. Alguns podem ter visões incomuns de sistemas conhecidos, fontes mistas, artefatos observacionais ou alvos que requerem dados em outros comprimentos de onda antes que possam ser interpretados. O’Ryan e Gómez os publicaram para que outros pesquisadores os examinassem, em vez de atribuir rótulos que as imagens não suportavam.
O que significa “nunca apareceu na literatura”?
Os investigadores verificaram as coordenadas da fonte no SIMBAD, ESASky e nas suas publicações e catálogos associados. Nessa base, 811 das 1.339 fontes não tinham referências bibliográficas.
Isso não significa que uma pessoa nunca tenha visto um pixel. O Hubble é um observatório direcionado, e não um telescópio de levantamento de todo o céu. Os astrónomos aplicam-no para apontar em coordenadas selecionadas, para que um objeto incomum possa ser o alvo pretendido ou aparecer no fundo. Uma imagem pode ficar em um arquivo sem que a forma estranha do objeto seja classificada ou discutida em um artigo.
A ausência do SIMBAD também não prova que não exista referência em parte alguma. Os nomes dos catálogos, combinações e cobertura são diferentes. “Nenhuma referência bibliográfica encontrada nesta pesquisa” é a leitura definitiva. Os autores disponibilizaram identificadores de fontes, locais, imagens e classificações temporais em formato legível por máquina para que as verificações possam ser repetidas e revisadas.
Os astrônomos já usaram filtros automáticos antes
AnomalyMatch é uma extensão em grande escala de um conceito estabelecido, não a primeira tentativa de permitir que o software encontre galáxias estranhas. UM 2021 Boletim Mensal da Royal Astronomical Society papelO cientista da computação Lior Shamir aplicou um método não supervisionado a 176.808 objetos de vários campos do Hubble.
Esse algoritmo reduziu a coleção para 1.100 imagens de alta classificação, tornando viável a revisão manual. A inspeção humana rejeitou cerca de 86 por cento destes candidatos e produziu um catálogo de 147 valores discrepantes. O resultado captura o valor e os limites da detecção automatizada de anomalias: um sistema útil pode perder objetos e aumentar falsos positivos ao executar uma tarefa impossível na forma humana.
AnomalyMatch opera em um conjunto de dados 500 vezes maior. Seu conjunto final de candidatos ainda incluía cerca de dez por cento da imagem nominal, mas os pesquisadores não precisavam dele para ser um astrônomo autônomo. Eles precisavam disso para mover a estrutura de aparência rara para o início da fila.
O próximo obstáculo é a atenção
O arquivo do Hubble abrange observações feitas para milhares de programas individuais ao longo de mais de três décadas. Cada programa foi projetado para questões específicas. Os seus investigadores não conseguiram esgotar tudo o que é visível no primeiro e no segundo plano de cada campo, especialmente quando o padrão relevante só pode tornar-se aparente após comparação com milhões de outras fontes.
Os arquivos de pesquisas futuras serão ainda maiores. Euclid, Vera C. O Observatório Rubin e o Telescópio Espacial Nancy Grace Roman foram projetados para produzir vistas amplas e repetidas do céu. Um método que aprende a partir de uma pequena amostra rotulada e produz especialistas com uma lista restrita pode ser mais eficaz do que um método treinado apenas para reconhecer um conjunto específico de classes conhecidas.
Os resultados do Hubble exigem, portanto, que uma IA compreenda de forma independente cerca de 100 milhões de imagens a menos do que aloca a atenção humana. Um modelo restrito foi rapidamente pesquisado, os astrônomos verificaram o que ele retornava e centenas de fontes incomuns que haviam sido deixadas de fora da literatura ficaram disponíveis para outras equipes examinarem.
