Come Black Hole Hunters cerca buchi neri nascosti con TESS e la scienza partecipata

Black Hole Hunters coinvolge volontari nella ricerca di segnali insoliti nelle variazioni di luminosità delle stelle. L’indizio cercato è sottile: un oggetto oscuro che passa davanti a una stella compagna può piegarne e amplificarne la luce. Per individuare questo possibile effetto, il progetto analizza dati del Transiting Exoplanet Survey Satellite (TESS), affiancando le classificazioni dei volontari a simulazioni e strumenti algoritmici. Un segnale interessante, però, è soltanto un candidato da studiare: non basta da solo a confermare la presenza di un buco nero. 1718

L’indizio: un aumento di luce che si ripete

Il progetto cerca un fenomeno chiamato autolente gravitazionale in sistemi binari, cioè coppie di stelle o di oggetti celesti che orbitano l’uno attorno all’altro. Se il sistema è orientato quasi di taglio rispetto a noi, la luce della stella visibile può essere piegata e amplificata dal compagno oscuro quando questo le passa davanti. A differenza di un singolo evento di microlente, l’aumento di luminosità può ripetersi a ogni orbita. 18

È proprio questa variazione periodica che i ricercatori cercano nelle curve di luce, i grafici che mostrano come cambia nel tempo la luminosità di una stella. Le simulazioni aiutano i partecipanti a riconoscere le forme da tenere d’occhio. Gli eventi sono rari e, secondo le informazioni del progetto, finora non era stato identificato un esempio conclusivo di autolente causata da un buco nero in un sistema binario.

Il lavoro condiviso tra persone e algoritmi

Black Hole Hunters è ospitato su Zooniverse, una piattaforma di scienza partecipata: dopo una formazione online, i volontari possono esaminare e classificare le curve di luce. Il progetto si basa sui dati di TESS; il gruppo ha inoltre indicato l’intenzione di valutare osservazioni provenienti da altri censimenti astronomici. 1718

Le classificazioni del pubblico non sostituiscono l’analisi scientifica: offrono un contributo al lavoro dei ricercatori. In un aggiornamento dell’aprile 2026, il ricercatore Adam McMaster ha riferito che i volontari avevano inviato 7,6 milioni di classificazioni. Ha spiegato che, insieme a simulazioni più sofisticate, questi dati stavano contribuendo allo sviluppo di algoritmi capaci di filtrare preliminarmente le curve di luce e restringere la ricerca ai candidati più promettenti.

Il progetto è stato avviato su Zooniverse il 26 ottobre 2021. Nel gruppo figurano Adam McMaster, Hugh Dickinson e Matthew Middleton, con collaboratori tra cui ricercatori dell’Open University e del Flatiron Institute. L’Università di Southampton ha inoltre descritto un finanziamento del 2024 a sostegno del lavoro di Middleton e McMaster con Dickinson e del coinvolgimento dei volontari. 17

Higgs Hunters: un altro esperimento, con obiettivi diversi

Higgs Hunters affrontava una questione distinta. I partecipanti esaminavano immagini dell’esperimento ATLAS, al Large Hadron Collider (LHC), alla ricerca di vertici fuori centro: tracce di particelle che sembrano iniziare lontano dal punto principale della collisione. Queste caratteristiche possono offrire indizi su particelle che hanno viaggiato prima di decadere, ma un segno insolito in un’immagine non dimostra, da solo, l’esistenza di una nuova particella. 10

Uno studio sul progetto ha valutato come volontari non esperti individuassero i decadimenti di particelle a lunga vita e altre caratteristiche anomale. Per il materiale analizzato, lo studio ha rilevato un’efficienza e un tasso di falsi positivi paragonabili a quelli degli algoritmi ATLAS. I volontari hanno anche segnalato eventi con caratteristiche inattese, da sottoporre a ulteriori verifiche. 3

L’Università di Oxford riporta che Higgs Hunters ha coinvolto 42.280 persone da oltre 170 Paesi e che una fase successiva di analisi ha coinvolto studenti delle scuole britanniche. Sono dati di partecipazione riferiti a quel progetto: non vanno confusi con le classificazioni di Black Hole Hunters né interpretati come prova che i volontari superino gli algoritmi in qualunque attività scientifica. 4

Cosa insegna la scienza partecipata

I due progetti mostrano come il pubblico possa contribuire all’esame di grandi quantità di dati e aiutare a portare all’attenzione dei ricercatori schemi che meritano un approfondimento. Higgs Hunters ha confrontato volontari e algoritmi per uno specifico compito di classificazione delle immagini; Black Hole Hunters combina invece classificazioni, simulazioni e filtri automatici per studiare dati astronomici di tipo diverso. In entrambi i casi, ogni possibile scoperta richiede verifiche scientifiche successive. 318