Link ufficiale e documento scientifico
Fonte della notizia:
Articolo originale ECOTICIAS / EcoNews
Documento scientifico peer-reviewed (scaricabile):
Lo studio citato è stato pubblicato su The Astronomical Journal nel dicembre 2024 e descrive il metodo VARnet applicato ai dati NASA NEOWISE.
Scaricare il paper scientifico (The Astronomical Journal)
L’intelligenza artificiale torna a ridefinire i confini della ricerca scientifica, questa volta grazie a uno studente delle scuole superiori americane. Matthew Paz, studente della Pasadena High School in California, ha sviluppato un sistema di AI capace di rianalizzare enormi archivi astronomici della NASA, identificando circa 1,5 milioni di oggetti variabili precedentemente non catalogati. Il risultato, pubblicato in una ricerca peer-reviewed, apre nuovi scenari non solo per l’astronomia, ma anche per il monitoraggio ambientale terrestre.
Una delle più grandi sorprese della ricerca spaziale contemporanea potrebbe essere rimasta nascosta per anni dentro archivi di dati già esistenti. È quanto dimostra il lavoro di Matthew Paz, giovane studente americano che, sfruttando tecniche avanzate di intelligenza artificiale, ha riesaminato i dati infrarossi della missione NASA NEOWISE, individuando circa 1,5 milioni di oggetti variabili fino a oggi non riconosciuti.
Il progetto nasce nel 2022 all’interno della Planet Finder Academy del Caltech, proseguendo poi in un programma di ricerca guidato dall’astronomo Davy Kirkpatrick dell’Infrared Processing and Analysis Center (IPAC). La qualità del lavoro ha portato Paz a vincere il prestigioso Regeneron Science Talent Search, con un premio da 250.000 dollari.
La vera innovazione risiede nel sistema sviluppato da Paz, chiamato VARnet, una tecnologia che combina deep learning, trasformata di Fourier e decomposizione wavelet per distinguere segnali astronomici autentici dal rumore statistico. Il modello analizza le cosiddette curve di luce — variazioni di luminosità osservate nel tempo — riuscendo a classificare automaticamente fenomeni complessi come quasar, stelle pulsanti, sistemi binari e oggetti oscurati dalla polvere cosmica.
La sfida era enorme: il database NEOWISE contiene quasi 200 miliardi di rilevamenti raccolti in oltre dieci anni, equivalenti a circa 200 terabyte di dati. Analizzarli manualmente sarebbe stato praticamente impossibile.
Secondo i risultati scientifici, VARnet raggiunge un punteggio F1 di 0,91, indice di elevata affidabilità nella classificazione di oggetti astronomici variabili. Ma il valore della ricerca va oltre lo spazio. Lo stesso Paz suggerisce che modelli analoghi potrebbero essere impiegati sulla Terra per analizzare fenomeni ambientali come inquinamento atmosferico, cambiamenti climatici e cicli ecologici, grazie alla capacità dell’IA di individuare pattern temporali invisibili all’occhio umano.
L’esperimento solleva anche interrogativi più ampi: l’archivio scientifico globale potrebbe custodire migliaia di scoperte ancora invisibili, in attesa dell’algoritmo giusto per emergere.
Approfondimento: cronologia e contesto scientifico
- 2009: lancio della missione NASA WISE per la mappatura infrarossa del cielo.
Fonte: NASA WISE Mission - 2013–2024: la missione viene riconvertita in NEOWISE, focalizzata sugli oggetti vicini alla Terra ma utile anche per osservazioni stellari e galattiche.
Fonte: NASA NEOWISE Program - 2024: pubblicazione dello studio peer-reviewed su VARnet in The Astronomical Journal.
- 2026: il caso Matthew Paz diventa simbolo del ruolo crescente dell’IA nella scoperta scientifica e nel riutilizzo dei big data astronomici.
Consigli di approfondimento
- NASA NEOWISE data archive
- Caltech Planet Finder Academy
- Society for Science – Regeneron Science Talent Search
Abstract: opportunità e rischi etico-sociali
Pro:
L’uso dell’IA su archivi scientifici esistenti potrebbe accelerare enormemente le scoperte astronomiche, ridurre costi di osservazione e migliorare applicazioni terrestri come monitoraggio climatico, qualità dell’aria e previsione ambientale.
Rischi:
L’affidamento crescente a modelli automatici introduce criticità sulla trasparenza algoritmica, sulla riproducibilità scientifica e sul consumo energetico del calcolo AI, sempre più rilevante nei grandi sistemi computazionali.
Nel lungo periodo, questa trasformazione potrebbe inaugurare una nuova fase della scienza: meno dipendente dalla raccolta di nuovi dati e sempre più orientata alla reinterpretazione intelligente del patrimonio informativo già disponibile.
