TECLA – TEcniche non Convenzionali per l’anaLisi di immagini Astrofisiche

TECLA sviluppa tecniche non convenzionali per l’analisi di immagini e serie temporali astrofisiche, con l’obiettivo di migliorare la classificazione morfologica di sorgenti estese e la pulizia dei dati affetti da contaminazioni strumentali o ambientali.

Nello specifico, il progetto di è concentrato sul miglioramento della classificazione dei dati relativi alle emissioni di resti di supernova (SNR) attraverso metriche data-driven e sulla ottimizzazione delle curve di luce, preservando il segnale scientifico e la coerenza spettrale e riducendo la perdita di dati rispetto ai workflow standard.

Gli attuali strumenti per la caratterizzazione dei dati astrofisici spesso sacrificano ampie porzioni di osservazione per rimuovere contaminazioni, con impatto su statistica e spettroscopia. Allo stesso tempo, la classificazione morfologica dei SNR è sensibile a rumore e bias di metodo. Servono quindi algoritmi robusti, scalabili e adatti all’implementazione su GPU.

Le metodologie sviluppate da TECLA consentono di ripulire le curve di luce prodotte da oggetti astrofisici mantenendo porzioni più ampie di dati rispetto ad altri strumenti attraverso l’adozione di di Deep Learning e Fisica Statistica su infrastrutture HPC/GPU.

I risultati prodotti consentono una maggiore sensibilità nelle analisi di SNR e nelle osservazioni variabili, incrementando il ritorno scientifico e possibilità di scoperte grazie a una migliore conservazione del dato utile. I metodi sviluppati sono riutilizzabili nella ricerca quotidiana della comunità astrofisica.

Gli impatti principali riguardano l’Astrofisica osservativa e in generale domini con serie temporali e segnali rumorosi, come le Neuroscienze, la Sismologia e la Criminologia), dove possono essere trasferite tecniche di cleaning e classificazione.