Un gruppo di ricercatori coordinato dall’astrofisico Brice Ménard della Johns Hopkins University ha utilizzato Claude Science, l’ambiente di ricerca basato sull’intelligenza artificiale sviluppato da Anthropic, per realizzare una mappa dell’intera volta celeste nella banda ultravioletta. Il risultato, presentato l’8 ottobre 2026, affronta un problema osservativo che aveva lasciato ampie regioni del cielo prive di una rappresentazione completa in questa porzione dello spettro elettromagnetico. Il progetto ha combinato osservazioni astronomiche provenienti da differenti missioni satellitari, procedure automatizzate di calibrazione e metodi di apprendimento automatico utilizzati per stimare le emissioni ultraviolette nelle zone non direttamente osservate. L’elaborazione è stata affidata a un sistema composto da più agenti AI, capaci di organizzare attività parallele di raccolta, normalizzazione e trattamento dei dati, mantenendo il controllo scientifico delle operazioni nelle mani dei ricercatori.
La radiazione ultravioletta proveniente dagli oggetti astronomici viene in larga parte assorbita dall’ozono presente nell’atmosfera terrestre, rendendo necessario l’impiego di strumenti collocati nello spazio per effettuare osservazioni estese di questa banda. Una delle principali missioni dedicate al rilevamento ultravioletto è stata GALEX, Galaxy Evolution Explorer, satellite della NASA operativo fra il 2003 e il 2013. Durante la missione, gli strumenti sono stati utilizzati per raccogliere immagini di numerose regioni del cielo, ma determinate zone sono state deliberatamente escluse dalle osservazioni per proteggere i rivelatori dall’intensità delle sorgenti luminose. Le aree prossime al piano galattico, caratterizzate da elevate concentrazioni stellari, e quelle contenenti stelle particolarmente luminose rappresentavano condizioni potenzialmente problematiche per l’apparato di rilevamento. Anche altri strumenti spaziali, compresi FIMS/SPEAR installato sul satellite scientifico sudcoreano STSAT-1 e il satellite Swift della NASA, hanno raccolto informazioni aggiuntive, senza tuttavia eliminare completamente i vuoti osservativi. Circa un terzo della volta celeste risultava ancora privo di dati ultravioletti diretti sufficienti per costruire una rappresentazione continua.
La realizzazione della nuova mappa ha richiesto di integrare osservazioni prodotte da missioni differenti, caratterizzate da strumenti, risoluzioni e procedure di acquisizione non uniformi. I ricercatori hanno utilizzato Claude Science per coordinare l’elaborazione di decine di migliaia di immagini e dataset provenienti da GALEX, Swift, FIMS/SPEAR e dalle missioni Gaia e Planck dell’Agenzia Spaziale Europea. Le informazioni sono state sottoposte a operazioni di allineamento e calibrazione incrociata per ricondurle a sistemi di coordinate e risoluzioni compatibili. Questa procedura è necessaria perché osservazioni relative alla medesima regione celeste possono essere state acquisite in periodi diversi, attraverso sensori che rispondono in modo differente alla radiazione e producono dati con caratteristiche proprie. Gli agenti AI hanno organizzato parallelamente le attività di trattamento, permettendo di eseguire operazioni di preparazione e confronto che avrebbero richiesto un considerevole lavoro manuale.
Claude Science, distribuito in beta pubblica nel giugno 2026, non costituisce un modello astronomico autonomo sviluppato specificamente per la ricostruzione del cielo. Si tratta di un ambiente di ricerca che utilizza modelli della famiglia Claude, compreso Claude 3.5 Sonnet, e strumenti destinati a coordinare elaborazioni scientifiche attraverso più agenti. Nel progetto astronomico, gli agenti hanno gestito procedure di raccolta, trattamento e visualizzazione dei dati, affrontando anche problemi legati alla presenza di artefatti nelle osservazioni. Particolare attenzione è stata rivolta alla luce diffusa nelle regioni circostanti le stelle più luminose, che può rendere difficile misurare segnali ultravioletti deboli. La separazione e il trattamento di queste interferenze sono stati necessari per evitare che caratteristiche strumentali venissero interpretate erroneamente come emissioni provenienti dagli oggetti celesti.
Il completamento delle regioni prive di osservazioni dirette è stato ottenuto attraverso una tecnica di machine learning denominata inpainting, applicata alla ricostruzione statistica dei segnali mancanti. Il sistema ha utilizzato le correlazioni tra l’emissione ultravioletta e le informazioni disponibili in altre bande dello spettro elettromagnetico, comprese luce visibile, infrarosso e onde radio. Questi dati consentono di stimare caratteristiche delle regioni non osservate considerando le distribuzioni di stelle, polveri e gas rilevate attraverso altri strumenti. L’elaborazione non consiste quindi nella semplice generazione di un’immagine artificiale destinata a riempire visivamente gli spazi vuoti, ma nell’applicazione di modelli statistici di regressione che stimano valori associati a grandezze astronomiche. Rimane comunque essenziale distinguere le regioni ottenute da osservazioni ultraviolette effettive da quelle nelle quali la radiazione è stata prevista attraverso un modello, perché le seconde rappresentano valori stimati e non misurazioni dirette.
Il progetto ha inoltre utilizzato le misure nella banda visibile raccolte dalla missione Gaia per stimare l’emissione ultravioletta di oltre 119 milioni di stelle e circa 160.000 ulteriori sorgenti extragalattiche. Le informazioni sono state successivamente integrate nella rappresentazione complessiva del cielo, contribuendo a descrivere le caratteristiche di sorgenti individuali all’interno della mappa. Per verificare l’affidabilità delle procedure di ricostruzione, i ricercatori hanno nascosto intenzionalmente una parte delle osservazioni effettivamente disponibili, chiedendo ai modelli di prevedere i valori corrispondenti. I risultati stimati sono stati quindi confrontati con le misure originali, registrando scostamenti dell’ordine del 10% o inferiori nei test comunicati. Questa procedura di validazione permette di misurare la capacità del modello di ricostruire dati già conosciuti, ma non elimina completamente l’incertezza associata alle regioni nelle quali non esistono osservazioni dirette utilizzabili come riferimento.
Durante l’elaborazione è emerso anche un problema che ha evidenziato la necessità della supervisione scientifica. In alcune immagini erano presenti residui circolari ripetuti, riconducibili a fenomeni di emissione ultravioletta atmosferica che non erano stati eliminati correttamente dai dati acquisiti da GALEX. Due cicli di controllo eseguiti dagli agenti AI non erano riusciti a individuare l’origine dell’anomalia. L’intervento di Brice Ménard, che ha riconosciuto la natura strumentale del fenomeno, ha consentito di identificare il problema e avviare la correzione dei dati. Il sistema ha successivamente rielaborato circa 38.000 osservazioni per eliminare i residui dell’emissione atmosferica. L’episodio mostra la complementarità tra l’automazione delle procedure di elaborazione e la conoscenza specialistica degli strumenti astronomici: il sistema AI ha potuto eseguire su larga scala le operazioni necessarie, ma il riconoscimento dell’errore ha richiesto l’interpretazione di un ricercatore esperto.
La mappa permette di rappresentare con maggiore continuità fenomeni astronomici osservabili nella banda ultravioletta, compresi gli effetti delle polveri presenti nella Via Lattea, le regioni di formazione stellare, le nebulose associate a stelle giovani e i resti di esplosioni di supernova. La disponibilità di una rappresentazione completa può facilitare la selezione delle regioni da approfondire attraverso nuovi strumenti e il confronto fra dati appartenenti a bande spettrali differenti. L’utilizzo scientifico delle zone ricostruite richiede tuttavia di considerare l’origine statistica delle informazioni. Il progetto distingue i pixel corrispondenti a misure effettive da quelli ottenuti mediante previsione e associa alle informazioni valori di incertezza, permettendo agli studiosi di riconoscere le differenze nella provenienza dei dati. Questa tracciabilità è particolarmente importante quando la mappa viene utilizzata per elaborazioni quantitative, nelle quali una stima non deve essere trattata come se avesse la medesima affidabilità di un’osservazione strumentale.
La versione completa della mappa è stata resa disponibile attraverso il sito del progetto di ricerca coordinato da Ménard, consentendo alla comunità scientifica di consultare il risultato delle elaborazioni. L’impiego di Claude Science ha reso possibile concentrare in un processo coordinato numerose attività di trattamento dei dati che erano rimaste incompiute per la quantità di lavoro richiesta. Secondo la descrizione fornita dal responsabile scientifico, una parte consistente delle elaborazioni è stata eseguita autonomamente dagli agenti nel corso di diverse ore, mentre il ricercatore poteva dedicarsi ad altre attività, intervenendo quando si rendeva necessaria una decisione specialistica. Il risultato non consiste quindi nell’osservazione diretta di nuove regioni del cielo da parte dell’intelligenza artificiale, ma nell’integrazione delle misure disponibili con ricostruzioni statistiche controllate, realizzata attraverso un’infrastruttura multiagente capace di automatizzare operazioni complesse di preparazione, verifica e visualizzazione dei dati astronomici.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)