NASA chama voluntários para detetar erros de IA nos dados do Euclid

Qualquer pessoa com um computador, tablet ou smartphone pode agora ajudar a separar sinal astronómico de defeitos nos dados de um telescópio espacial. O <a href="https://science.nasa.gov/citizen-science/artifact-inspector/" target="_blank" rel="noopener noreferrer">Artifact InSPECtor</a> transforma essa revisão numa tarefa online: o voluntário olha para recortes espectroscópicos reais do Euclid, compara-os com uma máscara azul produzida por um modelo de inteligência artificial e indica se a máquina marcou o objeto certo.

A <a href="https://science.nasa.gov/get-involved/citizen-science/help-refine-data-from-space-telescopes-with-artifact-inspector/" target="_blank" rel="noopener noreferrer">NASA divulgou o projeto em 11 de setembro</a>. Não é preciso formação em astronomia nem instalar software. O tutorial demora cerca de 10 a 15 minutos; depois, cada participante decide quanto tempo quer dedicar. A utilidade é concreta: as respostas agregadas serão usadas para melhorar um modelo destinado a limpar dados científicos e a preparar a chegada de observações do telescópio Nancy Grace Roman.

O que o voluntário realmente faz

Depois de abrir o projeto no Zooniverse, o participante aprende a reconhecer artefactos, ou seja, sinais causados pela câmara, pela ótica, pelo detetor, pela eletrónica ou até por raios cósmicos, e não por uma galáxia ou estrela. O ecrã mostra pequenas regiões de dados com uma caixa de referência e uma área pintada de azul: é a seleção que o algoritmo considera inválida.

A tarefa não é redesenhar a máscara nem interpretar toda a física do objeto. É responder a perguntas guiadas sobre o que aparece no recorte e sobre a qualidade da seleção. A própria documentação prevê casos ambíguos, como uma combinação de objetos ou a ausência de um alvo óbvio. Há ainda um fórum para discutir exemplos com outros voluntários e cientistas. Na página consultada pela Sona, a interface e o tutorial estão em inglês.

Esta distinção é importante: o azul representa a hipótese do modelo, não uma conclusão confirmada. Uma máscara que deixa parte do risco de fora pode falhar; outra que cobre uma área demasiado grande pode apagar pixels úteis. O objetivo humano é fornecer um conjunto de decisões mais fiável, não clicar sempre em tudo o que pareça estranho.

Porque um defeito pode parecer uma descoberta

Uma imagem astronómica não é uma fotografia comum. No caso destes dados, um instrumento com um grisma, que combina uma rede de difração e um prisma, espalha a luz das galáxias por comprimentos de onda. O resultado são espectros que podem revelar distância, composição e outras propriedades das galáxias. Depois de o brilho médio ser subtraído, linhas de emissão fracas podem sobreviver como pequenas manchas.

É aí que surge o risco. Um pixel defeituoso, luz dispersa, uma passagem de raio cósmico ou um efeito ótico também pode produzir riscos, manchas e formas brilhantes. O <a href="https://www.zooniverse.org/projects/artifact-pipeline/artifact-inspector/about/research" target="_blank" rel="noopener noreferrer">guia de investigação do Zooniverse</a> explica ainda as fontes de “ordem zero”: imagens extra criadas pelo grisma, com aspeto de dois lóbulos, que não são duas galáxias. Estrelas com picos de difração e resíduos da subtração do contínuo complicam o quadro.

Por isso, nem toda a mancha pequena deve ser eliminada. Segundo a <a href="https://www.zooniverse.org/projects/artifact-pipeline/artifact-inspector/about/faq" target="_blank" rel="noopener noreferrer">FAQ do projeto</a>, uma linha de emissão de uma galáxia ténue pode ser visível mesmo quando o contínuo quase desaparece. A recomendação operacional privilegia não mascarar áreas muito maiores do que o artefacto, porque isso aumentaria o risco de perder informação científica.

A IA também precisa de exemplos do telescópio

O ponto de partida é o Segment Anything Model, ou SAM, um modelo aberto criado pela Meta para segmentar objetos em imagens. O Artifact InSPECtor usa uma versão aplicada a dados astronómicos, mas o modelo original foi treinado com objetos do quotidiano, não com espectros de telescópios. É precisamente essa mudança de domínio que torna a supervisão humana útil: uma ferramenta competente a recortar objetos comuns pode interpretar mal um risco instrumental ou uma linha de emissão.

Os investigadores vão usar as classificações agregadas para afinar uma versão do modelo voltada para artefactos em dados de grisma. A equipa afirma que não trabalha diretamente com a Meta e que não enviará dados identificáveis dos voluntários; entram no treino as avaliações combinadas, não a resposta isolada de uma pessoa. A versão astronómica deverá ser publicada no fim do projeto, acompanhada por um artigo revisto por pares, e o modelo final deverá ficar disponível na plataforma Roman Research Nexus para a comunidade científica.

Isso também define o limite da promessa. Uma classificação individual não “corrige” imediatamente o telescópio nem certifica uma descoberta. O contributo ganha valor quando muitas avaliações permitem medir padrões, encontrar erros recorrentes e construir dados de treino melhores.

Do Euclid ao Roman

Os recortes atuais vêm da primeira publicação rápida de dados do Euclid, a <a href="https://www.cosmos.esa.int/web/euclid/euclid-q1-data-release" target="_blank" rel="noopener noreferrer">Quick Data Release 1 da ESA</a>, datada de 19 de março de 2025. O Euclid observa milhões de galáxias para investigar a estrutura do Universo, a matéria escura e a energia escura. A missão é da Agência Espacial Europeia e inclui contribuições da NASA.

O Roman é complementar: o <a href="https://science.nasa.gov/mission/roman-space-telescope/" target="_blank" rel="noopener noreferrer">observatório da NASA</a> foi lançado em 30 de agosto de 2026 e fará levantamentos amplos no infravermelho para estudar energia escura, exoplanetas e outros temas. A NASA prevê acrescentar dados do Roman ao Artifact InSPECtor no início de 2027. Até lá, a equipa pode usar o Euclid, cuja câmara e abordagem espectroscópica têm semelhanças relevantes, para descobrir que tipos de artefactos confundem o modelo.

Como experimentar sem perder o contexto

Comece pela <a href="https://science.nasa.gov/citizen-science/artifact-inspector/" target="_blank" rel="noopener noreferrer">página oficial do Artifact InSPECtor</a> e faça o tutorial completo. Use as imagens “antes” da subtração do contínuo quando o fluxo pedir comparação; elas ajudam a perceber se uma risca horizontal é espectro e não defeito. Se o alvo combinar sinais ou não mostrar uma fonte óbvia, escolha a opção correspondente em vez de forçar uma resposta binária.

O contributo mais útil não é o mais rápido, mas o que respeita a incerteza apresentada pelo próprio projeto. Em ciência cidadã, admitir um caso ambíguo pode ensinar mais ao sistema do que transformar toda a exceção visual num erro da máquina.