CANDELA
Stimare le distanze nell’universo con machine learning e dati storici
Il progetto CANDELA sviluppa metodi innovativi utilizzando tecniche di Machine Learning (apprendimento automatico) e Deep Learning (apprendimento profondo, un tipo avanzato di machine learning basato su reti neurali complesse) per stimare la distanza di stelle e galassie. Queste stime si basano su dati raccolti da cataloghi astronomici come Gaia DR3 e OGLE, che contengono osservazioni di stelle variabili, cioè stelle il cui splendore cambia nel tempo.
In particolare, il progetto si concentra su due tipi importanti di stelle variabili:
- Cefeidi: stelle che pulsano regolarmente, aumentando e diminuendo di luminosità con un periodo ben definito. La loro luminosità è direttamente collegata al periodo di pulsazione, il che permette agli astronomi di usarle come “candele standard” per misurare distanze cosmiche.
- RR Lyrae: stelle variabili simili alle Cefeidi, ma di tipo diverso e più vecchie, utilizzate anch’esse per stimare distanze in particolari regioni dell’universo.
Parallelamente, CANDELA analizza un vasto archivio di fotografie astronomiche storiche, conservate dall’Osservatorio di Torino, per identificare oggetti di interesse e integrare queste informazioni nei modelli di stima.
EU - Next Generation EU
CANDELA is funded by the European Union (NextGenerationEU) through the NRRP Cascade Calls – Spoke 3, with the objective of developing advanced tools for astrophysics.
Modelli avanzati per la distanza cosmica
Utilizzando modelli di machine learning e deep learning, CANDELA mira a stimare con precisione la distanza di stelle variabili come Cefeidi e RR Lyrae e di galassie, analizzando le loro variazioni luminose nel tempo. I modelli includono anche una valutazione dell’incertezza nelle stime, essenziale per garantire la correttezza scientifica.
Accuratezza e approfondimento scientifico
Ci si aspetta di sviluppare tre modelli specifici di machine learning e deep learning, analizzare circa 10.000 lastre fotografiche storiche e migliorare la comprensione delle incertezze nelle stime delle distanze astronomiche.
Tecniche di IA applicate all’astrofisica
L’innovazione principale è l’applicazione combinata di tecniche di machine learning e deep learning, integrate in un unico modello che valuta anche l’incertezza delle previsioni. Questo approccio può avere un impatto significativo sulla cosmologia, per esempio migliorando la misura della costante di Hubble, che descrive l’espansione dell’universo.
Ricerca europea e osservatori storici
Il progetto coinvolge diversi enti e sfrutta archivi storici come quello dell’Osservatorio Astronomico di Torino per integrare dati e migliorare i modelli.