Para descubrir cómo se forman los planetas, Los astrofísicos ejecutan cálculos informáticos complicados y que requieren mucho tiempo. Los miembros de NCCR PlanetS de la Universidad de Berna han desarrollado un enfoque totalmente novedoso para acelerar este proceso de manera espectacular. Utilizan el aprendizaje profundo basado en redes neuronales artificiales, un método que es bien conocido en el reconocimiento de imágenes.

Los planetas crecen en discos estelares, acumulando material sólido y gas. Que se conviertan en cuerpos como la Tierra o Júpiter depende de diferentes factores como las propiedades de los sólidos, la presión y temperatura en el disco y el material ya acumulado. Con modelos informáticos, los astrofísicos intentan simular el proceso de crecimiento y determinar la estructura planetaria interior. Para condiciones de contorno dadas, calculan las masas de la envoltura de gas de un planeta. "Esto requiere resolver un conjunto de ecuaciones diferenciales, "explica Yann Alibert, oficial científico de NCCR PlanetS en la Universidad de Berna:"Resolver estas ecuaciones ha sido una especialidad de los astrofísicos aquí en Berna durante los últimos 15 años, pero es un proceso complicado y que requiere mucho tiempo ".

Para acelerar los cálculos, Yann Alibert y la asociada de PlanetS Julia Venturini del Instituto Internacional de Ciencias Espaciales (ISSI) en Berna adoptaron un método que ya ha capturado muchos otros campos, incluido el desarrollo de teléfonos inteligentes:aprendizaje profundo. Está, por ejemplo, utilizado para el reconocimiento facial y de imágenes. Pero esta rama de la inteligencia artificial y el aprendizaje automático también ha mejorado la traducción automática de idiomas y es crucial para los vehículos autónomos. "Hay un gran revuelo también en astronomía, ", dice Alibert." El aprendizaje automático ya se ha utilizado para analizar observaciones, pero que yo sepa, somos los primeros en utilizar el aprendizaje profundo para tal propósito ". Alibert y Venturini publican sus resultados en la revista Astronomía y Astrofísica ( AUTOMÓVIL CLUB BRITÁNICO ).

Base de datos de millones de planetas

Primero, los investigadores tuvieron que crear una base de datos. Calcularon millones de posibles estructuras interiores de planetas. "Nos llevó tres semanas calcular todos estos casos de prueba utilizando un código desarrollado por Julia Venturini durante su doctorado en Berna, ", dice Alibert. El siguiente paso fue decidir la arquitectura de una red neuronal artificial, un conjunto de algoritmos que pasa datos de entrada a través de operaciones matemáticas y tiene la capacidad de aprender sin ser programado explícitamente. "Luego, entrenamos esta red usando nuestra gigantesca base de datos, "dice el astrofísico." Ahora, nuestra red es capaz de predecir la masa de un planeta que se forma bajo ciertas condiciones con una muy buena precisión y tremendamente más rápido que resolviendo las ecuaciones diferenciales ".

El proceso de aprendizaje profundo es mucho más preciso que los métodos desarrollados anteriormente para reemplazar la solución de ecuaciones diferenciales por algunas fórmulas analíticas. Estas fórmulas analíticas podrían predecir que un planeta debería crecer hasta la masa de Júpiter, mientras que en realidad no podría tener más masa que Neptuno. "Demostramos que nuestras redes neuronales profundas proporcionan una muy buena aproximación a nivel de porcentajes, ", resume Alibert. Los investigadores proporcionan sus resultados en la plataforma de desarrollo de software GitHub, para que los colegas que trabajan en la formación de planetas en todo el mundo se beneficien de ellos.