Aprendizagem de máquina aplicada para a dinâmica de corpos menores

Abstract

Este trabalho aborda o uso de inteligência artificial e deep learning para a classificação de imagens de argumentos ressonantes de asteroides. O argumento de ressonância é uma combinação linear de ângulos orbitais cujo comportamento (libração ou circulação) ca- racteriza a existência e a dinâmica de uma ressonância. A seção seguinte apresenta seis resumos baseados em artigos publicados: um como autor principal e os demais como co- autor, com exceção de um, no qual não houve contribuição direta, presente no capítulo intitulado Aplicações. A pesquisa enfrentou o desafio do grande volume de dados astronô- micos, como os gerados pelos levantamentos Zwicky Transient Facility e Legacy Survey of Space and Time, que tornam inviável a classificação manual. O estudo aplicou Redes Neurais Convolucionais e, de forma inovadora, Vision Transformers (ViT). Os resultados incluem a identificação de novas famílias de asteroides jovens, a melhoria da classificação com imagens digitalmente filtradas e a demonstração da superioridade dos modelos ViT e, em certas tarefas, dos Large Language Models (LLM). O trabalho também avaliou o risco de colisão de asteroides coorbitais de Vênus com a Terra.

This work addresses the use of artificial intelligence and deep learning for classifying images of asteroid resonance arguments. A resonance argument is a linear combination of orbital angles whose behavior (libration or circulation) characterizes the existence and dynamics of a resonance. The following section presents six summaries based on published articles: one as the first author and the others as coauthor, except for one in which there was no direct contribution, included in the chapter entitled Applications. The research faced the challenge of handling large volumes of astronomical data, such as those produced by the Zwicky Transient Facility and the Legacy Survey of Space and Time, which make manual classification unfeasible. The study employed Convolutional Neural Networks and, innovatively, Vision Transformers (ViT). The results include the identification of new families of young asteroids, the improvement of classification performance using digitally filtered images, and the demonstration of the superiority of ViT models and, in certain tasks, of Large Language Models (LLM). The work also evaluated the collision risk of Venus co-orbital asteroids with Earth. The results confirm deep learning as an indispensable tool in astronomy.