Anthropic e Claude Science criam o primeiro mapa completo do céu em ultravioleta

A Anthropic publicou o primeiro mapa completo de todo o céu em ultravioleta. Ele foi feito por Brice Ménard, astrofísico da Universidade Johns Hopkins e pesquisador da Anthropic, em parceria com o Claude Science. O mapa combina o UV distante (154 nm) e o UV próximo (232 nm). Cerca de um terço da área, incluindo boa parte do plano da Via Láctea, não foi medido por telescópios, e sim previsto por um modelo. Cada pixel é marcado como "medido" ou "previsto" e traz uma estimativa de incerteza.

Por que não existia um mapa UV completo

O ultravioleta é absorvido pela camada de ozônio, então só é possível observá-lo do espaço. Em meio século, os telescópios acumularam muitos dados, mas a cobertura do céu é irregular. O maior conjunto veio da missão GALEX, da NASA (2003–2013): cerca de 38 000 observações individuais, que cobrem aproximadamente dois terços do céu. Por outro lado, o GALEX evitava de propósito as regiões com estrelas muito brilhantes, para não danificar os detectores. São justamente essas regiões que ficam no plano da Galáxia, onde as estrelas estão mais concentradas. O Swift e o FIMS/SPEAR, da Coreia do Sul, acrescentaram dados, mas ainda sobraram muitas lacunas no conjunto combinado.

Os métodos estatísticos para estimar as áreas que faltam são conhecidos. O problema é o trabalho que eles exigem: é preciso calibrar pixel a pixel e repetir as análises muitas vezes, o que significa semanas de trabalho minucioso. Ménard admite que astrofísicos adiam tarefas desse tipo em favor de outras mais urgentes. Com isso, ele chegou a ter de se desculpar em sala de aula por um mapa UV cheio de buracos. Todas as áreas de pesquisa têm um backlog parecido: projetos que explicariam uma ideia central ou ajudariam colegas, mas que nunca chegam ao topo da lista.

Como os agentes montaram o mapa

No verão de 2026, Ménard entregou ao Claude Science uma tarefa fácil de formular e difícil de executar: reunir todos os levantamentos UV disponíveis, levá-los a uma escala única, fundi-los em um só mapa e preencher as regiões que nenhum telescópio UV chegou a observar. O Claude atuou como orquestrador de uma equipe de agentes de IA, e o trabalho seguiu em várias etapas:

• os agentes pesquisaram na web levantamentos astronômicos públicos em UV, cada um com milhares ou dezenas de milhares de imagens;
• os dados baixados foram ajustados para ter consistência interna, de modo que quadros feitos em anos diferentes pudessem ser comparados;
• nas áreas ao redor de estrelas brilhantes, o brilho parasita foi removido, como o reflexo de um poste de luz em uma fotografia; sem isso, não dá para medir o fraco brilho UV nas proximidades;
• diferentes regiões do céu foram processadas em paralelo, cada uma por um agente ou grupo de agentes;
• os levantamentos foram calibrados entre si, reamostrados para uma mesma resolução e transferidos para um sistema de coordenadas comum.

Ménard deu as instruções de alto nível para a integração, e o Claude executou os detalhes. Outras informações, incluindo o método usado para prever as regiões ausentes, não são divulgadas no trecho do material disponível. Sabe-se apenas que ele está descrito na publicação original da Anthropic.

Onde o resultado pode ser útil

O primeiro uso é educacional. Estudantes poderão enxergar a estrutura da Via Láctea em UV: nuvens ao redor de estrelas jovens, anéis deixados por supernovas e poeira iluminada pela luz das estrelas. As camadas "medido/previsto" e os mapas de incerteza permitem separar dados reais de dados do modelo. Para o trabalho científico, isso é fundamental: as regiões previstas não podem ser tratadas como observações, mas podem ser usadas levando em conta o erro estimado.

A principal conclusão vai além da astronomia. Uma tarefa do tipo "um dia eu faço", para a qual o especialista não tinha semanas disponíveis, foi resolvida por agentes coordenados em um único projeto de verão. Para grupos de pesquisa, o recado é claro: vale revisar o próprio backlog em busca de trabalhos com enunciado bem definido, dados abertos e uma calibração trabalhosa, porém formalizável. São justamente essas as tarefas que os sistemas agênticos assumem com mais facilidade. Já a camada de incertezas mostra como rotular o resultado de uma IA para que ele possa ser verificado.