Novo algoritmo AMIGO elimina distorções nos dados do JWST e revela objetos perto de estrelas

Novo algoritmo AMIGO eliminou distorções nos dados do JWST e permitiu ver objetos junto a estrelas antes considerados inalcançáveis

Astrónomos criaram um sistema de aprendizagem automática que aumentou de forma expressiva a capacidade de resolução do Telescópio Espacial James Webb (JWST). A nova abordagem removeu distorções instrumentais que impediam a observação de objetos muito ténues perto de estrelas brilhantes e já viabilizou imagens de estruturas cósmicas que, até então, eram consideradas fora do alcance.

Contexto: NIRISS e o interferómetro AMI no JWST

A limitação vinha do NIRISS - a câmara e o espectrógrafo no infravermelho do telescópio - que inclui internamente o sistema interferométrico Aperture Masking Interferometer (AMI). A proposta do AMI é permitir observações de altíssima precisão, mas, na prática, os investigadores esbarraram num entrave inesperado: ao trabalhar com fontes de luz muito brilhantes, os detetores passavam a distorcer o sinal.

Esse problema estava ligado ao efeito de migração de carga dentro dos sensores, que deformava o padrão de interferência e, por consequência, degradava a qualidade das imagens. Além disso, erros adicionais na medição de parâmetros da máscara metálica do interferómetro tornavam a resolução efetiva ainda mais limitada.

O resultado era direto: o telescópio tinha dificuldade para separar estruturas pequenas nas proximidades de estrelas brilhantes - justamente a região onde astrónomos esperam encontrar exoplanetas, anãs castanhas e detalhes de discos protoplanetários.

AMIGO: um “gémeo digital” em vez de tentar "consertar" a imagem

Para contornar o problema, a equipa desenvolveu um novo sistema chamado AMIGO - Aperture Masking Interferometry Generative Observations. Em vez de tentar "consertar" uma imagem já distorcida, o algoritmo trabalha com um gémeo digital do telescópio.

A solução simula o funcionamento de toda a ótica e da eletrónica do JWST a partir de uma hipótese inicial sobre como seria a cena observada. Depois, a IA compara a imagem sintética com os dados reais do telescópio e ajusta gradualmente os parâmetros do modelo até que as duas imagens coincidam.

O que o módulo neural compensa durante a modelagem

Nesse ciclo, um componente essencial é um módulo de rede neural integrado, treinado especificamente para reconhecer e compensar a redistribuição não linear de cargas nos sensores.

Diferentemente de métodos tradicionais de processamento de imagens astronómicas, o AMIGO recorre à diferenciação automática e calcula derivadas com precisão de máquina em cada etapa da simulação. Isso torna a reconstrução de estruturas fracas, muito próximas a objetos brilhantes, consideravelmente mais precisa.

Resultados: subestelares, Io e estruturas de poeira antes difíceis de observar

Nos testes, o sistema conseguiu detetar os objetos subestelares de observação difícil HD 206893 c e HD 206893 B, além de revelar pontos quentes vulcânicos na lua Io, de Júpiter. O algoritmo também possibilitou visualizar estruturas de poeira formadas por estrelas binárias e estudar em detalhe um jato espiralado de matéria nas proximidades de um buraco negro distante.

Os investigadores afirmam que a tecnologia, na prática, abre para o telescópio uma região de observação antes tratada como uma "zona proibida" para instrumentos desse tipo. Isso é particularmente relevante para o estudo direto de atmosferas de exoplanetas e de objetos situados muito perto de estrelas brilhantes.

Recomendações para futuras campanhas científicas do JWST

Os autores também prepararam recomendações para programas científicos futuros do JWST, incluindo esquemas específicos de observação e limites de brilho dos alvos, com o objetivo de explorar ao máximo as capacidades do AMIGO.