IA Raven encontra mais de 100 exoplanetas ocultos nos dados do TESS

Foram lá, escondidos nos registros já coletados: um conjunto significativo de mundos extrasolares emergiu quando um algoritmo de inteligência artificial foi aplicado ao arquivo do telescópio espacial TESS da NASA. Uma equipe internacional de astrônomos, com participação de pesquisadores da Universidade de Warwick, publicou no periódico Monthly Notices of the Royal Astronomical Society os resultados obtidos com o sistema chamado Raven.

Raven foi treinado para vasculhar observações de mais de 2,2 milhões de estrelas, acumuladas nos primeiros quatro anos de operação do TESS. O foco do projeto foram planetas com órbitas estreitas — periodos de revolução inferiores a 16 dias — onde sinais de trânsito são curtos e facilmente confundidos com ruído ou outros fenómenos astrofísicos. O algoritmo foi projetado para distinguir com robustez se a queda de brilho estelar é causada pelo trânsito de um planeta ou por efeitos instrumentais e variabilidade estelar.

Os números são relevantes para o mapeamento da vizinhança cósmica: a equipe conseguiu validar 118 novos planetas e identificar mais de 2.000 candidatos planetários de alta qualidade, dos quais quase 1.000 são totalmente inéditos no catálogo. No total, o trabalho aponta para a descoberta de mais de 100 exoplanetas escondidos — entre eles, 31 identificados recentemente e destacados no estudo.

Entre os objetos validados, o estudo ressalta classes com forte interesse científico. Há planetas de período ultracurto (órbitas menores que 24 horas), exemplares situados no chamado deserto netuniano — uma região orbital onde planetas do tamanho de Netuno são raros — e diversos sistemas multiplanetários compactos, incluindo pares de planetas que orbitam a mesma estrela e não haviam sido reconhecidos antes.

Do ponto de vista metodológico, a inovação do Raven é tratar a cadeia inteira como um fluxo integrado: desde a detecção inicial de um sinal até a análise por machine learning e a validação estatística final. Diferentemente de ferramentas que atacam etapas isoladas do processo, aqui o algoritmo funciona como uma infraestrutura de ponta a ponta, reduzindo gargalos e permitindo que padrões fracos — o equivalente a cabos finos no sistema nervoso das cidades — sejam amplificados e interpretados corretamente.

Para quem observa a evolução dos levantamentos astronômicos sob a lente da arquitetura digital, a contribuição é dupla: amplia sensivelmente o inventário de planetas próximos e demonstra como as camadas de inteligência podem revitalizar ativos de dados já existentes, transformando arquivos passivos em um fluxo produtivo de descobertas.

Na prática, essa classe de resultados ajuda a priorizar alvos para observações futuras, seja com instrumentos terrestres de alta resolução ou com missões espaciais, e oferece uma amostra mais bem caracterizada de planetas próximos — essenciais para estudos de composição, dinâmica orbital e formação planetária.

Em termos técnicos e operacionais, Raven representa um exemplo de como a conjugação entre IA, grandes conjuntos de dados e validação estatística pode servir como alicerce digital para uma nova fase de exploração exoplanetária na Europa e globalmente.