Identificação e Filtragem de Ondas Gravitacionais: Uma Abordagem via Teoria do Caos e Reservoir Computing.

Descrição

Este projeto de iniciação científica insere-se na interface entre Astrofísica, Cosmologia, Física de Sistemas Complexos, Teoria do Caos e Inteligência Artificial, tendo como objetivo investigar métodos avançados para a identificação, caracterização e processamento de sinais de ondas gravitacionais provenientes de eventos astrofísicos extremos, tais como fusões de buracos negros binários e sistemas compactos altamente energéticos. Desde a primeira detecção direta de ondas gravitacionais, essas perturbações do espaço-tempo passaram a constituir uma das mais importantes fontes de informação sobre fenômenos cósmicos inacessíveis aos métodos observacionais tradicionais, abrindo novas perspectivas para o estudo da gravitação, da evolução estelar e da estrutura do Universo. A análise desses sinais representa um desafio científico de grande complexidade devido à presença simultânea de múltiplas escalas temporais, não linearidades, flutuações instrumentais e sinais de baixa amplitude imersos em ruídos de diferentes naturezas. Nesse contexto, o projeto propõe a utilização de ferramentas matemáticas inspiradas na teoria dos sistemas dinâmicos não lineares, na análise multifractal e na teoria da informação, integradas a técnicas modernas de aprendizado de máquina, com o objetivo de desenvolver metodologias mais eficientes para extração de informação física contida nos dados observacionais. A primeira linha de investigação será dedicada ao estudo e à caracterização dos ruídos presentes em detectores interferométricos de ondas gravitacionais. Embora frequentemente modelados como processos estocásticos, diversos componentes instrumentais podem apresentar estruturas temporais complexas, correlações de longo alcance e comportamentos não lineares que dificultam a identificação precisa dos sinais astrofísicos. Para enfrentar esse problema, serão exploradas técnicas de análise de séries temporais baseadas em métricas de previsibilidade, expoentes de Lyapunov, medidas entrópicas e descritores multifractais, associadas a algoritmos de aprendizado de máquina capazes de distinguir padrões instrumentais de assinaturas físicas genuínas, contribuindo para o aprimoramento dos processos de filtragem e reconstrução dos sinais. A segunda vertente do projeto concentrar-se-á na investigação de arquiteturas neuromórficas inspiradas em sistemas dinâmicos complexos, com destaque para o paradigma de Reservoir Computing. Essas redes neurais exploram regimes dinâmicos próximos à transição entre ordem e caos, frequentemente associados à chamada “borda do caos”, condição na qual emergem propriedades favoráveis ao armazenamento de informação, à capacidade de generalização e ao processamento eficiente de séries temporais altamente complexas. A pesquisa buscará compreender como tais arquiteturas podem ser empregadas para modelar, rastrear e prever padrões presentes em sinais gravitacionais, explorando sua capacidade de capturar dependências temporais de longo alcance e estruturas dinâmicas multiescalares com reduzido custo computacional. Ao integrar conceitos provenientes da física estatística, teoria do caos, aprendizado de máquina e astrofísica observacional, o projeto pretende contribuir para o desenvolvimento de novas estratégias computacionais voltadas ao processamento inteligente de dados gravitacionais. Espera-se que os resultados obtidos auxiliem tanto na melhoria dos métodos de detecção e caracterização de eventos astrofísicos extremos quanto na formação interdisciplinar do estudante em áreas emergentes da ciência contemporânea, envolvendo modelagem matemática, inteligência artificial e análise de sistemas complexos aplicados aos grandes desafios da cosmologia moderna.