Cincuenta planetas potenciales han sido confirmados por un nuevo algoritmo de aprendizaje automático desarrollado por científicos de la Universidad de Warwick.

Por primera vez, los astrónomos han utilizado un proceso basado en el aprendizaje automático, una forma de inteligencia artificial, para analizar una muestra de planetas potenciales y determinar cuáles son reales y cuáles son "falsos, "o falsos positivos, calculando la probabilidad de que cada candidato sea un verdadero planeta.

Sus resultados se informan en un nuevo estudio publicado en el Avisos mensuales de la Royal Astronomical Society , donde también realizan la primera comparación a gran escala de tales técnicas de validación de planetas. Sus conclusiones justifican el uso de múltiples técnicas de validación, incluido su algoritmo de aprendizaje automático, al confirmar estadísticamente futuros descubrimientos de exoplanetas.

Muchos estudios de exoplanetas buscan en grandes cantidades de datos de telescopios las señales de los planetas que pasan entre el telescopio y su estrella. conocido como tránsito. Esto da como resultado una caída reveladora de la luz de la estrella que detecta el telescopio, pero también podría ser causado por un sistema estelar binario, interferencia de un objeto en el fondo, o incluso pequeños errores en la cámara. Estos falsos positivos se pueden filtrar en un proceso de validación planetaria.

Investigadores de los Departamentos de Física e Informática de Warwick, así como el Instituto Alan Turing, construyó un algoritmo basado en el aprendizaje automático que puede separar los planetas reales de los falsos en las grandes muestras de miles de candidatos encontrados por misiones telescópicas como Kepler y TESS de la NASA.

Fue entrenado para reconocer planetas reales usando dos grandes muestras de planetas confirmados y falsos positivos de la misión Kepler ahora retirada. Luego, los investigadores utilizaron el algoritmo en un conjunto de datos de candidatos planetarios aún no confirmados de Kepler, dando como resultado 50 nuevos planetas confirmados y el primero en ser validado por aprendizaje automático. Las técnicas de aprendizaje automático anteriores han clasificado a los candidatos, pero nunca determinaron la probabilidad de que un candidato fuera un verdadero planeta por sí mismo, un paso necesario para la validación del planeta.

Esos 50 planetas van desde mundos tan grandes como Neptuno hasta más pequeños que la Tierra, con órbitas de hasta 200 días hasta tan solo un día. Al confirmar que estos 50 planetas son reales, Los astrónomos ahora pueden priorizarlos para futuras observaciones con telescopios dedicados.

Dr. David Armstrong, del Departamento de Física de la Universidad de Warwick, dijo:"El algoritmo que hemos desarrollado nos permite llevar a 50 candidatos a través del umbral para la validación del planeta, actualizándolos a planetas reales. Esperamos aplicar esta técnica a grandes muestras de candidatos de misiones actuales y futuras como TESS y PLATO. En términos de validación de planetas, nadie ha utilizado una técnica de aprendizaje automático antes. El aprendizaje automático se ha utilizado para clasificar a los candidatos planetarios, pero nunca en un marco probabilístico. que es lo que necesitas para validar verdaderamente un planeta. En lugar de decir qué candidatos tienen más probabilidades de ser planetas, ahora podemos decir cuál es la probabilidad estadística precisa. Cuando haya menos del 1% de posibilidades de que un candidato sea un falso positivo, se considera un planeta validado ".

Dr. Theo Damoulas del Departamento de Ciencias de la Computación de la Universidad de Warwick, y Subdirector, Ingeniero centrado en datos y miembro de Turing en el Instituto Alan Turing, dijo:"Los enfoques probabilísticos del aprendizaje automático estadístico son especialmente adecuados para un problema emocionante como este en astrofísica que requiere la incorporación de conocimientos previos, de expertos como el Dr. Armstrong, y la cuantificación de la incertidumbre en las predicciones. Un excelente ejemplo cuando la complejidad computacional adicional de los métodos probabilísticos dan sus frutos de forma significativa ".

Una vez construido y entrenado, el algoritmo es más rápido que las técnicas existentes y se puede automatizar por completo. haciéndolo ideal para analizar los potencialmente miles de candidatos planetarios observados en encuestas actuales como TESS. Los investigadores argumentan que debería ser una de las herramientas que se utilizarán colectivamente para validar planetas en el futuro.

El Dr. Armstrong agrega:"Casi el 30% de los planetas conocidos hasta la fecha se han validado con un solo método, y eso no es ideal. El desarrollo de nuevos métodos de validación es deseable solo por esa razón. Pero el aprendizaje automático también nos permite hacerlo muy rápido y priorizar a los candidatos mucho más rápido. Todavía tenemos que dedicar tiempo a entrenar el algoritmo, pero una vez hecho esto, resulta mucho más fácil aplicarlo a futuros candidatos. También puedes incorporar nuevos descubrimientos para mejorarlo progresivamente. Se predice que una encuesta como TESS tendrá decenas de miles de candidatos planetarios y es ideal poder analizarlos todos de manera consistente. Rápido, Los sistemas automatizados como este, que pueden llevarnos hasta los planetas validados en menos pasos, nos permiten hacerlo de manera eficiente ".