FAQ
Quão raros são os eventos de autolente?
Muito raro! Se tivermos sorte, esperamos encontrar cerca de 10 exemplos em todo o conjunto de dados SuperWASP e cerca de cem no TESS. Nenhum exemplo conclusivo de autolente por um buraco negro em um sistema binário foi encontrado. Se você ajudar a encontrar um, estará fazendo história na ciência!
Por que você usa algumas curvas de luz simuladas?
Os eventos que estamos procurando são tão raros que ainda não observamos nenhum exemplo real. Usamos curvas de luz simuladas por dois motivos. O primeiro é dar a você exemplos de quais formas procurar, para que você não perca um evento de lente real quando vir um. O segundo motivo é que incluir curvas de luz simuladas nos permite descobrir a menor ampliação de lente que deve ser detectável pelos voluntários do Zooniverse.
Como posso saber se uma curva de luz é simulada?
Os sujeitos simulados têm metadados especiais que denotam os parâmetros de simulação. Se você inspecionar os metadados do sujeito clicando em Informações do sujeito e ver essas entradas, então o sujeito é simulado. Lembre-se de que, mesmo que um sujeito seja simulado, você só deve clicar em "Sim" se puder realmente ver o sinal de lente na curva de luz.
Isso pode ser feito por um computador?
As curvas de luz podem ser muito ruidosas. Isso torna muito difícil prever como seria a curva de luz de um evento de lente com precisão suficiente para projetar um algoritmo de detecção automática. Também podemos perder sinais reais se não prevermos corretamente como eles devem ser.
Métodos modernos de aprendizado de máquina podem ser capazes de fazer o trabalho. No entanto, a menos que sejamos muito cuidadosos, esses algoritmos tendem a se concentrar em características muito sutis dos dados e não nas formas gerais dos picos que estamos procurando. Para usá-los, é muito importante ter dados de treinamento que contenham sinais muito semelhantes aos sinais reais. As simulações que usamos neste projeto não são suficientemente precisas para usá-las como dados de treinamento. Elas dão uma ideia aproximada de como são os sinais-alvo, mas são diferentes o suficiente da realidade para que um algoritmo de aprendizado de máquina treinado com elas possa perder muitos sinais reais.
Por que os humanos têm uma vantagem?
Humanos são muito bons em extrapolar a partir de alguns exemplos e ver padrões em dados que são similares, mas não idênticos, aos exemplos que lhes foram mostrados. Isso dá uma grande vantagem em projetos como este, onde não temos nenhum exemplo real e precisamos de voluntários para extrapolar a partir de um punhado de simulações aproximadas.