Sintesi del progetto
CANDELA sviluppa una metodologia che combina dati recenti e data-set storici su formati fisici per stimare le distanze delle stelle con tecniche di intelligenza artificiale. Il progetto sfrutta indicatori di distanza del catalogo Gaia DR3, integrandoli con l’archivio fotografico di INAF-OATo per ampliare le serie temporali disponibili. L’obiettivo è costruire modelli più completi e accurati per l’analisi delle variabili pulsanti come le RR Lyrae e le Cepheidi.
Obiettivi
Definire un sistema generale per stimare distanze stellari integrando molteplici sorgenti osservative. Valutare modelli di regressione e reti neurali. Introdurre strumenti per incorporare l’incertezza nelle previsioni. Validare un primo caso studio su lastre storiche contenenti 43 Cepheidi della Grande Nube di Magellano.
Problemi e necessità
La misurazione accurata delle distanze celesti è fondamentale per comprendere l’evoluzione delle stelle, ricostruire la storia cosmica e stimare il tasso di espansione dell’Universo. Le tecniche tradizionali dipendono da assunzioni sui “candelieri standard” e non sempre integrano efficacemente archivi storici o dataset eterogenei.
Soluzioni sviluppate
A seguito dell’identificazione del miglior modello di test (Gaussian Process) e del più accurato approccio el Deep Learning (Multi-Layer Perceptron), sono stati introdotti metodi per gestire l’incertezza e tecniche di image processing per l’estrazione di oggetti da lastre fotografiche storiche, con l’obiettivo di potenziare i dataset di input e migliorare la robustezza dei modelli.
Benefici e ricadute
Le metodologie possono essere applicate ad altri cataloghi e ad altri domini che richiedono l’elaborazione di dati incompleti o rumorosi. Gli strumenti sviluppati potenzialmente facilitano analisi in settori come osservazione terrestre e applicazioni industriali che utilizzano modelli predittivi basati su grandi dataset.
Settori che possono beneficiare
I risultati interessano direttamente l’ambito Spazio e l’Intelligenza Artificiale, estendensosi anche alle Nuove Tecnologie, al Software, alla Ricerca Fondamentale e a ambiti applicativi che trattano serie temporali e dataset eterogenei su larga scala.
