Um estudo publicado na Physical Review Letters descreve uma nova abordagem para extrair informações de sistemas binários observando toda a distribuição posterior em vez de tomar decisões com base em parâmetros individuais.

Desde sua detecção em 2015, as ondas gravitacionais se tornaram uma ferramenta vital para astrônomos que estudam o universo primitivo, os limites da relatividade geral e eventos cósmicos, como sistemas binários compactos .

Sistemas binários consistem em dois objetos massivos, como estrelas de nêutrons ou buracos negros, espiralando um em direção ao outro. À medida que se fundem, geram ondulações no espaço-tempo — ondas gravitacionais — que nos fornecem informações sobre ambos os objetos.

O problema abordado pelos pesquisadores no estudo publicado diz respeito à rotulagem dos dois objetos no sistema binário. De acordo com a convenção, o objeto mais pesado é rotulado como "1" e o outro como "2". A questão aqui é que esse sistema se torna confuso ao lidar com sistemas em que ambos os objetos têm massas semelhantes, dentro da margem de erro.

Embora abordagens anteriores tenham sugerido o uso de outras propriedades, como magnitude do spin, isso ainda cria um problema quando os objetos têm spins semelhantes.

Os pesquisadores sugerem usar uma abordagem mais holística, eliminando a dependência de um único parâmetro diferente. O Phys.org conversou com o primeiro autor, Dr. Davide Gerosa, da Universidade de Milano-Bicocca, na Itália, que mencionou que entender buracos negros tem sido sua motivação de longa data.

Esta pesquisa desafia uma suposição de longa data que sustenta todas as análises de ondas gravitacionais até o momento — uma suposição que permanece inquestionável há décadas. A abordagem padrão é realmente a melhor escolha? Mais fundamentalmente, o que significa definir os melhores rótulos? O aprendizado de máquina fornece uma solução poderosa e orientada por dados.

A equipe de pesquisa também incluiu dois de seus alunos, Viola De Renzis e Federica Tettoni, um pós-doutorado em seu grupo, Costantino Pacilio, um ex-aluno Matthew Mould, agora no MIT, e um colaborador de longa data, Alberto Vecchio, da Universidade de Birmingham.

Os pesquisadores abordaram esse problema de forma diferente, enquadrando-o como um problema de agrupamento restrito em aprendizado de máquina . Trata-se de uma forma de algoritmo de aprendizado semissupervisionado que identifica padrões em dados, mesmo estando restrito a certas condições.

Neste caso, a restrição que os pesquisadores impuseram é que os dois objetos do mesmo evento de onda gravitacional devem ser atribuídos a categorias diferentes.

A chave para esse método é não depender ou se comprometer previamente com um parâmetro específico, como a massa, como diferenciador. Em vez disso, eles permitem que os próprios dados revelem a maneira mais apropriada de diferenciar os objetos.

"A chave é a compreensão de que a estratégia de rotulagem é uma escolha deliberada que precisamos fazer ao analisar dados de ondas gravitacionais. Esta é uma questão conceitual que deve ser explorada mais a fundo, visto que todas as aplicações subsequentes são potencialmente afetadas", explicou o Dr. Gerosa.

Os pesquisadores aplicaram seu modelo de aprendizado de máquina a dados de ondas gravitacionais sintéticas e reais dos detectores LIGO, Virgo e KAGRA.

Eles descobriram que a precisão nas medições de spin de buracos negros melhorou consideravelmente, em até 50%, e as distribuições bimodais nos dados tendem a desaparecer. Agora, os cientistas podiam distinguir com mais segurança se o objeto no sistema era um buraco negro ou uma estrela de nêutrons.

"O artigo mostra que as medições nos spins individuais podem melhorar em até 50%. Isso é muito significativo. Essa precisão adicional exigiria novos instrumentos, enquanto estamos mostrando que isso é possível com a análise de dados", disse o Dr. Gerosa.

Medições mais precisas de parâmetros como o spin de buracos negros são cruciais para a compreensão de sua formação. Essa metodologia pode ter implicações importantes para as medições do spin de buracos negros, que têm sido historicamente desafiadoras.

Os pesquisadores descobriram que aproximadamente 10% das amostras posteriores em dados de ondas gravitacionais do LIGO e Virgo poderiam ser melhor representadas com rótulos diferentes. Embora esse número possa parecer pequeno, a diferença na interpretação dos eventos é significativa.

Por exemplo, os pesquisadores descobriram que, para um evento de onda gravitacional (GW191103_012549), a abordagem convencional mostrou uma chance de 13% de que um buraco negro no sistema estivesse girando na direção oposta ao movimento orbital.

No entanto, o novo método reduziu essa probabilidade para 0,1%, o que implica que é quase certo que o buraco negro estava girando na mesma direção da órbita.

"Nossa análise afeta todas as medições de ondas gravitacionais de detectores atuais e futuros", destacou o Dr. Gerosa ao discutir os próximos observatórios como o LISA (Antena Espacial de Interferômetro Laser) e o Telescópio Einstein.

Este estudo é uma demonstração clássica de como revisitar suposições fundamentais na análise de dados pode produzir resultados significativos sem exigir novas informações.