Doutorando do CBPF e membro do Lab-IA recebe prêmio de melhor pôster durante a Advanced School in Applied Machine Learning, realizada pelo ICTP
O doutorando do Centro Brasileiro de Pesquisas Físicas (CBPF) e integrante do Laboratório de Inteligência Artificial para a Física (Lab-IA), Phelipe Darc, recebeu o prêmio de melhor pôster durante sua participação na Advanced School in Applied Machine Learning: Uncertainty and Robustness of Deep Learning Models for Science.
Ver no InstagramO doutorando do Centro Brasileiro de Pesquisas Físicas (CBPF) e integrante do Laboratório de Inteligência Artificial para a Física (Lab-IA), Phelipe Darc, recebeu o prêmio de melhor pôster durante sua participação na Advanced School in Applied Machine Learning: Uncertainty and Robustness of Deep Learning Models for Science, realizada pelo International Centre for Theoretical Physics (ICTP), em Trieste, na Itália, entre os dias 23 e 31 de julho de 2026.
O reconhecimento foi concedido pelo trabalho “Intelligent Agents and Physical Modeling of Transients in the Rubin Era”, pesquisa que propõe o uso de inteligência artificial para auxiliar na identificação de fenômenos transientes de interesse científico em meio ao enorme volume de dados que será produzido pelo Observatório Vera C. Rubin.
Phelipe Darc apresentando pôster do trabalho “Intelligent Agents and Physical Modeling of Transients in the Rubin Era”.
Créditos: arquivo pessoal
Inteligência artificial para lidar com o volume de dados do Rubin
O trabalho parte de um dos desafios enfrentados pela astronomia com o início das operações científicas do Observatório Vera C. Rubin e do Legacy Survey of Space and Time (LSST): a enorme quantidade de eventos que estão sendo detectados pelo levantamento toda noite.
O Rubin observa repetidamente grandes regiões do céu, permitindo identificar objetos e fenômenos que apresentam mudanças ao longo do tempo. Entre eles estão os chamados transientes, eventos astronômicos que podem apresentar variações rápidas e que, em alguns casos, exigem observações de acompanhamento para que suas características sejam estudadas.
Com uma quantidade muito grande de candidatos sendo identificada, torna-se necessário desenvolver métodos para auxiliar os pesquisadores na escolha dos eventos mais relevantes para cada objetivo científico. Combinando sistemas de agentes de inteligência artificial com comparação de modelos bayesianos, o trabalho de Phelipe atua no desenvolvimento de um sistema de recomendação capaz de avaliar candidatos a transientes e indicar quais são mais interessantes de acordo com o usuário e com o caso científico considerado.
A proposta busca, assim, ajudar a comunidade astronômica a decidir quais eventos devem receber observações no infravermelho, óptico e espectroscópicas, especialmente em situações nas quais a rapidez é importante.
“Todas as noites, corremos o risco de perder transientes interessantes que poderiam nos ajudar a compreender o nosso Universo e os mecanismos físicos que impulsionam essas explosões. Isso acontece devido à grande quantidade de dados que precisamos analisar e ao número de observações que precisamos propor. É exatamente por isso que precisamos de sistemas inteligentes de recomendação de observações: para ajudar a comunidade astronômica a aproveitar plenamente as capacidades dos telescópios e descobrir supernovas raras e outros eventos explosivos ainda em sua fase de ascensão.”, explica Phelipe.
The night sky dazzles over Rubin Observatory.
Créditos: Vera C. Rubin Observatory
IA e os novos desafios da astronomia
A pesquisa apresentada no ICTP está inserida em uma questão cada vez mais relevante para a astronomia: como transformar grandes volumes de dados observacionais em informação científica útil.
No caso dos transientes, é preciso identificar os eventos e determinar quais deles são mais relevantes para diferentes perguntas científicas, definindo quais devem ser acompanhados por outros instrumentos.
A proposta de Phelipe busca contribuir para esse processo por meio da combinação entre agentes de IA, modelagem física e métodos bayesianos, criando uma ferramenta de recomendação voltada a apoiar decisões relacionadas ao acompanhamento de fenômenos transientes.
A participação na escola também permitiu discutir essas ideias com pesquisadores que trabalham com diferentes aplicações de aprendizado de máquina na ciência.
O prêmio de melhor pôster representa um reconhecimento à pesquisa apresentada pelo doutorando para a investigação de novas aplicações de inteligência artificial em problemas científicos, especialmente diante dos desafios trazidos pela nova geração de levantamentos astronômicos.
Foto de grupo da Advanced School in Applied Machine Learning.
Créditos: ICTP.
Uma escola dedicada à inteligência artificial para a ciência
A Advanced School in Applied Machine Learning: Uncertainty and Robustness of Deep Learning Models for Science foi organizada pelo ICTP em parceria com SISSA/TSDS e AREA. O evento foi voltado principalmente a estudantes de doutorado e pesquisadores em início de carreira, com o objetivo de apresentar ferramentas para o uso de deep learning em aplicações científicas.
Entre os temas abordados estiveram Scientific Deep Learning, quantificação de incertezas em aprendizado de máquina, inferência baseada em simulações e redes neurais bayesianas. A programação também deu destaque à escalabilidade, sustentabilidade e ao uso de técnicas de computação de alto desempenho para otimizar pipelines de aprendizado de máquina.
O evento reuniu participantes de diferentes áreas e contou com palestrantes de instituições de pesquisa, universidades e empresas de tecnologia. A programação incluiu aulas, tutoriais, apresentações dos participantes e uma sessão de pôsteres.