Deep Learning para pequenos corpos no Sistema Solar na era do LSST

• Processo: 25/01469-0
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de julho de 2025
• Data de Término da vigência: 30 de junho de 2026
• Área do conhecimento: Ciências Exatas e da Terra - Astronomia - Astronomia do Sistema Solar
• Pesquisador responsável: Valerio Carruba
• Beneficiário: Valerio Carruba
• Instituição Sede: Faculdade de Engenharia (FEG). Universidade Estadual Paulista (UNESP). Campus de Guaratinguetá. Guaratinguetá , SP, Brasil
• Pesquisadores associados: Evgeny Smirnov ; Rita de Cássia Domingos ; Safwan Aljbaae
• Assunto(s): Aprendizado computacional Astrodinâmica
• Palavra(s)-Chave do Pesquisador: Aprendizagem de Maquina | astronomia dinâmica | Aprendizagem de máquina

Resumo

A proposta de pesquisa visa utilizar aprendizado de máquina, incluindo modelos de linguagem de grande porte, para analisar grandes conjuntos de dados de corpos menores do Sistema Solar, provenientes do próximo levantamento da "Rubin Observatory Legacy Survey of Space and Time" (LSST). A pesquisa focará em três áreas principais: asteroides do cinturão principal em ressonâncias, asteroides co-orbitais de planetas terrestres (com ênfase em Vênus, onde 11 novos asteroides co-orbitais foram recentemente identificados pelo grupo), e objetos trans-netunianos em movimento retrógrado. Métodos tradicionais de dinâmica orbital serão combinados com técnicas de aprendizado de máquina, como redes neurais convolucionais e transformadores de visão, para classificar e analisar esses corpos celestes. (AU)