Richard Cloete

O Center for Astrophysics identifica Cloete como cientista da computação com doutorado em ciência da computação. O Galileo Project afirma que ele ocupou anteriormente uma posição de pós-doutorado na University of Cambridge antes de ingressar em Harvard. [S1][S5]

O registro doutoral da Newcastle University fornece detalhes adicionais. A pesquisa de doutorado de Cloete tratou da medição, modelagem e gestão de latência em renderização remota interativa, inclusive predição, simulação e medição de desempenho em sistemas baseados em nuvem. [S6] Essa formação é pertinente ao lado de engenharia de dados da pesquisa de UAP. Um observatório multimodal moderno não se limita a coletar fotografias.

Ele precisa:

• sincronizar múltiplos sensores;
• transmitir grandes volumes de dados;
• detectar objetos em tempo real;
• rastreá-los entre quadros;
• comparar observações com catálogos externos;
• classificar objetos conhecidos;
• preservar os dados brutos;
• sinalizar outliers candidatos para análise posterior.

São problemas de computação e de engenharia de sistemas antes de se tornarem questões sobre física exótica.

O perfil atual do Galileo Project descreve Cloete como membro pesquisador que define e conduz a pesquisa do projeto sob Avi Loeb no Center for Astrophysics. [S1] O Galileo Project busca substituir evidência anedótica de UAP por medições sistemáticas de observatórios terrestres. Sua arquitetura técnica inclui sensores ópticos, infravermelhos, de radar, de radiofrequência, acústicos e ambientais. A camada computacional é essencial porque uma estação de monitoramento pode observar números enormes de aeronaves, satélites, aves, insetos, eventos meteorológicos e fontes astronômicas.

A maioria das detecções deve ser ordinária. Um sistema cientificamente crível precisa, portanto, tornar-se muito bom em reconhecer o ordinário antes que um residual incomum se torne informativo.

Cloete foi o autor principal do artigo de 2023 "Integrated Computing Platform for Detection and Tracking of Unidentified Aerial Phenomena (UAP)" no Journal of Astronomical Instrumentation. [S2] O artigo descreve uma arquitetura computacional proposta para incorporar dados de múltiplos tipos de sensores, processar observações em tempo real e distinguir fenômenos naturais e de origem humana de eventos que ficam fora do envelope fenomenológico conhecido. O desenho inclui algoritmos para análise offline e para detecção em tempo real.

O artigo descreve explicitamente o trabalho como preliminar. Isso importa. Uma arquitetura proposta não é evidência de que o sistema já tenha detectado um UAP inédito. Sua contribuição científica é de engenharia: definir como os dados devem passar dos sensores à classificação e à análise de outliers.

O artigo da plataforma integrada estabelece uma distinção conceitual importante entre outliers estatísticos e anomalias científicas. [S2] Um outlier estatístico é uma medição que difere da distribuição dominante. Isso pode ocorrer por muitas razões:

• calibração deficiente;
• aeronave rara, mas conhecida;
• meteorologia incomum;
• corrupção de dados;
• saturação do sensor;
• um inseto muito próximo de uma câmera;
• dados de classificação incompletos.

Uma anomalia científica é uma categoria muito mais forte.

Exige uma observação corroborada e estatisticamente distintiva que resista à explicação sob os modelos vigentes depois que artefatos e alternativas conhecidas são testados. Essa distinção é essencial porque sistemas de IA são excepcionalmente bons em produzir candidatos “estranhos”. Uma pontuação alta de anomalia não é evidência de tecnologia não humana. É um sinal de triagem que indica aos pesquisadores onde examinar com mais atenção.

Cloete também foi coautor do roteiro de 2023 do Galileo Project "The Scientific Investigation of Unidentified Aerial Phenomena (UAP) Using Multimodal Ground-Based Observatories." [S7] O artigo descreve uma matriz de rastreabilidade científica que liga os parâmetros físicos desejados a grandezas observáveis e a requisitos instrumentais. O conjunto de sensores inclui:

• câmeras de campo amplo;
• câmeras multiespectrais de campo estreito;
• radar passivo multiestático;
• monitoramento do espectro de radiofrequência;
• sensores acústicos;
• medições ambientais.

O objetivo não é simplesmente fotografar algo incomum.

É recuperar medições independentes suficientes para estimar propriedades físicas como posição, trajetória, espectro e cinemática e determinar se anomalias aparentes sobrevivem à comparação entre sensores. Essa abordagem enfrenta diretamente fragilidades de muitos casos históricos de UAP.

Cloete foi coautor de um artigo separado de 2023 que descreve hardware e software para localização tridimensional de objetos aéreos. O sistema usa múltiplas câmeras nas bandas visível, infravermelho próximo e infravermelho, calibração e triangulação para recuperar posições ao longo do tempo e, com isso, estimar velocidade e aceleração. [S8] Isso é especialmente pertinente aos debates modernos sobre vídeos de UAP. Uma única sequência de imagens pode produzir movimento aparente rápido sem fornecer alcance confiável.

Um sistema calibrado com múltiplas câmeras pode recuperar a profundidade geometricamente. Isso transforma o movimento angular em cinemática mensurável. O desafio de engenharia, portanto, não é meramente maior resolução. É a aquisição de geometria independente.

Cloete também figura como coautor de trabalhos do Galileo Project sobre monitoramento acústico multibanda e radar passivo multiestático. [S9][S10] O sistema acústico é concebido para monitorar assinaturas infrassônicas, audíveis e ultrassônicas e usar gravações de aeronaves conhecidas para desenvolver algoritmos de identificação. O conceito de radar destina-se a recuperar posição e velocidade do objeto a partir de receptores distribuídos. Essas modalidades são cientificamente valiosas porque podem corroborar ou contradizer dados ópticos. Um alvo óptico sem assinatura acústica, de radar ou térmica correspondente ainda pode ser real, conforme o alcance e a sensibilidade do sensor, mas o padrão multissensor fornece restrições que um vídeo sozinho não pode oferecer.

Em 2025, Cloete foi coautor de um artigo submetido a revisão por pares na Sensors sobre o comissionamento de um arranjo de câmeras infravermelhas de céu completo para detecção de objetos aerotransportados. Suas contribuições listadas incluíram software, análise formal e redação original. [S11]

O trabalho de comissionamento é importante porque instrumentos científicos precisam ser caracterizados antes que suas anomalias possam ser confiáveis. Os pesquisadores precisam conhecer:

• a sensibilidade;
• pixels mortos;
• a distorção de lentes;
• o comportamento térmico;
• o ruído de fundo;
• detecções falsas;
• efeitos de processamento de imagem.

Um sensor não calibrado pode criar anomalias convincentes que desaparecem uma vez que o comportamento do detector é compreendido. O envolvimento de Cloete no comissionamento, portanto, reforça sua pertinência à função de análise de dados do UAPSAC.

A pesquisa atual de Cloete não se restringe aos UAP. Em 2024, foi coautor de um artigo submetido a revisão por pares na Astronomy & Astrophysics sobre métodos de aprendizado de máquina para classificação automatizada de objetos interestelares no ambiente de dados do Vera C. Rubin Observatory/LSST. [S12]

Em 2025, foi coautor de outro artigo na Astronomy & Astrophysics que aplica métodos de aprendizado de máquina para melhorar a descoberta de objetos próximos da Terra. [S13] Essas publicações são importantes para o seu perfil porque demonstram trabalho de aprendizado de máquina em problemas estabelecidos de classificação astronômica, nos quais a verdade de referência e o desempenho do levantamento podem ser testados. A pertinência aos UAP é metodológica. Os algoritmos devem primeiro provar que conseguem identificar populações conhecidas, estimar taxas de erro e generalizar para dados novos antes que os pesquisadores atribuam peso forte à sua classificação de um “desconhecido”.

A inteligência artificial é atraente na pesquisa de UAP porque as redes de sensores criam dados demais para revisão manual. Mas a IA introduz seus próprios riscos epistemológicos. Um modelo pode aprender artefatos nos dados de treinamento. Pode classificar um objeto com alta confiança mesmo quando apresentado a uma categoria ausente do treinamento.

Pode produzir um “desconhecido” simplesmente porque metadados estão ausentes. A detecção fora da distribuição é, ela mesma, um problema ativo de pesquisa. Por conseguinte, um pipeline de IA para UAP precisa de mais do que software sofisticado. Precisa de:

• conjuntos de validação de objetos conhecidos;
• revisão humana;
• limiares transparentes;
• pré-processamento reproduzível;
• registros de versão do modelo;
• calibração da incerteza;
• acesso aos dados brutos dos sensores.

A função técnica de Cloete é, portanto, potencialmente central para que o UAPSAC evite falsos positivos.

Cloete figurava na lista inicial do conselho de junho de 2026, com responsabilidade por análise de dados e ferramentas de IA. [S3][S4] Diferentemente de membros cujas contribuições são primariamente de política ou comunicação pública, sua função atribuída está próxima da questão técnica central de transformar dados de UAP em classificações. Isso não significa que os sistemas de IA do conselho já tenham produzido uma descoberta. A informação publicamente disponível aqui examinada não fornece um pipeline completo de dados do UAPSAC, uma arquitetura de modelo ou um resultado validado de análise de casos. Seu perfil deve, portanto, descrever a nomeação como uma nova aplicação de uma especialidade de pesquisa estabelecida, e não como evidência de um resultado concluído do conselho.

Cloete trabalha no Galileo Project sob Avi Loeb e agora integra um conselho presidido por Loeb. Isso cria tanto continuidade quanto uma possível preocupação metodológica. A continuidade é útil porque ferramentas e expertise existentes podem ser transferidas rapidamente para o trabalho consultivo governamental. A preocupação é a independência.

Se o mesmo grupo de pesquisa desenha a instrumentação, seleciona anomalias candidatas e as avalia sem replicação externa suficiente, o viés de confirmação pode entrar mesmo em sistemas tecnicamente sofisticados. A salvaguarda não é excluir pesquisadores afiliados. É assegurar validação independente, métodos abertos quando possível e uma separação clara entre o desenvolvimento de algoritmos e as afirmações finais de anomalia.