Rastro¶
Pipeline de mineração de dados astronômicos que caça anãs marrons e estrelas frias próximas ao Sol ainda não catalogadas, procurando por movimento próprio anômalo no catálogo público CatWISE2020.

Ilustração artística de uma anã marrom (Luhman 16B), parte do terceiro sistema mais próximo do Sol. Crédito: ESO/I. Crossfield/N. Risinger (skysurvey.org), CC BY 4.0.
Experimente o treino online: casos de resposta conhecida, direto no navegador, sem instalar nada. As suas respostas ficam só na sua sessão.
Em palavras simples¶
A pergunta: existem objetos frios e escuros perto do Sol que ninguém descobriu ainda?
O que se procura: as anãs marrons, "estrelas fracassadas". Têm massa demais pra serem planetas e de menos pra acender como uma estrela. Quase não emitem luz visível, mas emitem calor (infravermelho), então um telescópio infravermelho consegue enxergá-las.
Como achar: as estrelas parecem paradas no céu, mas as que estão perto se mexem devagar, ano após ano. É como olhar a paisagem pela janela do carro: o poste ao lado passa rápido, a montanha ao longe parece parada. Esse deslocamento no céu se chama movimento próprio. Um objeto que se move muito pra um ponto tão apagado é um forte suspeito de estar perto de nós.

Quase tudo no fundo (cinza) fica no lugar. A WISE 0855-0714 (laranja), a anã marrom mais fria que se conhece, anda cerca de 80 segundos de arco em 10 anos. É esse tipo de movimento que o projeto procura.
Onde estão os dados: o telescópio espacial WISE fotografou o céu todo várias vezes ao longo de 8 anos. Astrônomos já transformaram essas fotos numa enorme tabela pública, o CatWISE2020, com 1,89 bilhão de linhas. Cada linha é um ponto de luz, com sua posição, seu brilho e o quanto ele se mexeu. O projeto não olha fotos nem usa telescópio: ele lê essa tabela e filtra.
O que o programa faz, passo a passo. Pense numa peneira com várias malhas, cada uma deixando passar menos gente:
- Confere as ferramentas. Procura dois objetos famosos que já se conhece. Se não os achar, algo está errado e o programa para.
- Baixa um pedaço do céu. Hoje, 25 graus quadrados (quadrados de 1 grau por 1 grau, cada um com cerca de 5 vezes a área da Lua cheia), só com pontos que se movem rápido.
- Joga fora medidas duvidosas. Defeitos do instrumento, pontos colados em vizinhos e movimentos pequenos demais pra distinguir de erro de medida.
- Joga fora o que já é conhecido. Compara com o SIMBAD, o grande cadastro de objetos astronômicos, e com listas publicadas de anãs frias que o SIMBAD ainda não absorveu.
- Pede a nota de uma IA. Uma IA lê os números de cada sobrevivente e dá uma nota de prioridade. Ela só ajuda a ordenar, nunca decide.
- Olhar humano. As imagens de cada suspeito são conferidas à mão, num app local (
python iniciar.py) que mostra os recortes, os números e a nota da IA, e guarda a sua decisão. - Relatório pra um astrônomo. Os candidatos que você confirmou saem numa página só, com imagens e números, prontos pra pedir uma segunda opinião. A opinião em si ainda está por fazer.

Quantas fontes sobram em cada fase do pipeline.
O que entra, o que sai¶
O que alimenta o programa
- Uma região do céu, dada por coordenadas (RA e Dec) em config.py, e os limiares dos filtros (quão rápido o ponto tem de se mover, quão nítida a medida precisa ser).
- Dois bancos de dados públicos, baixados da internet na hora: a tabela CatWISE2020 (NASA/IPAC) e o cadastro SIMBAD (CDS, Estrasburgo).
- Uma chave grátis de IA (Groq), só pra nota da última fase. Ela é opcional: sem chave, a busca pula a triagem.
O que ele devolve
Uma tabela, candidatos_fase5, no arquivo data/rastro.db. Cada linha é um suspeito: código da fonte, posição no céu, brilho e cor no infravermelho, movimento próprio (e quantas vezes ele é maior que o erro de medida), a nota da IA (alta, media, baixa ou incerta) e um parágrafo curto com o motivo da nota. Pra ver a lista, ordenada pelos que mais se movem:
python -c "import sqlite3, pandas as pd; print(pd.read_sql('SELECT source_id, ra, dec, pm_total, llm_triage_score FROM candidatos_fase5 ORDER BY pm_total DESC', sqlite3.connect('data/rastro.db')))"
O que fazer com o resultado
A lista é de suspeitos, não de descobertas. O caminho depois dela:
- Olhar as imagens dos suspeitos, começando pelos que o AllWISE mostra se movendo (a nota da IA é só um comentário). O app
app/revisao.pymostra os recortes de cada suspeito e grava sua decisão. Veja Revisão e treino. - Descartar os falsos alarmes. Na prática, quase todos caem aqui: ruído, defeito do instrumento ou ponto mal medido.
- Levar os que sobrarem a um astrônomo, que pode confirmar com outras observações (um espectro, por exemplo) e, se for novo de verdade, publicar.
O que conta como sucesso (honesto)¶
| Nível | O que é | Prometido? |
|---|---|---|
| Mínimo | Pipeline rodando ponta a ponta e redescobrindo um objeto conhecido (o teste de sanidade) | Sim, é o critério de aceite |
| Bom | Lista curta e defensável de candidatos não catalogados numa região real, sem artefatos óbvios | Sim, com esforço razoável |
| Moonshot | Um candidato genuinamente novo, validado por segunda opinião | Não, é o horizonte |
O valor entregue está no pipeline funcionar corretamente, não no achado em si.
Por onde seguir¶
- Instalar sem terminal: o passo a passo para Windows e macOS.
- Começar: rodar o pipeline pelo terminal e configurar a chave da LLM.
- Como funciona: o contexto científico, o dado e as fases do pipeline.
- Revisão e treino: o app local de revisão visual e o modo treino.
- Relatório e segunda opinião: gerar o relatório dos confirmados.
- Resultados: o que a varredura do autor encontrou até agora.
- Créditos: dados, referências e licença.