Imagen compuesta que muestra una vista infrarroja de Titán, la luna de Saturno. tomado de la nave espacial Cassini de la NASA. Algunas medidas sugieren que Titán tiene el índice de habitabilidad más alto de cualquier otro mundo que no sea la Tierra. basado en factores como la disponibilidad de energía, y diversas características de la superficie y la atmósfera. Crédito:NASA / JPL / Universidad de Arizona / Universidad de Idaho
Los desarrollos en inteligencia artificial pueden ayudarnos a predecir la probabilidad de vida en otros planetas, según un nuevo trabajo de un equipo de la Universidad de Plymouth. El estudio utiliza redes neuronales artificiales (ANN) para clasificar los planetas en cinco tipos, estimar una probabilidad de vida en cada caso, que podría utilizarse en futuras misiones de exploración interestelar. El trabajo es presentado en la Semana Europea de Astronomía y Ciencias Espaciales (EWASS) en Liverpool el 4 de abril por el Sr. Christopher Bishop.
Las redes neuronales artificiales son sistemas que intentan replicar la forma en que aprende el cerebro humano. Son una de las principales herramientas utilizadas en el aprendizaje automático, y son particularmente buenos para identificar patrones que son demasiado complejos para que los procese un cerebro biológico.
El equipo, con sede en el Centro de Robótica y Sistemas Neurales de la Universidad de Plymouth, han entrenado su red para clasificar planetas en cinco tipos diferentes, en función de si se parecen más a la Tierra actual, la Tierra primitiva, Marte, Venus o la luna de Saturno, Titán. Los cinco de estos objetos son cuerpos rocosos que se sabe que tienen atmósferas, y se encuentran entre los objetos potencialmente habitables de nuestro Sistema Solar.
El señor Bishop comenta:"Actualmente estamos interesados en estas ANN para priorizar la exploración para un hipotético, inteligente, nave espacial interestelar escaneando un sistema de exoplanetas a distancia ".
Él añade, "También estamos considerando el uso de un área grande, desplegable, antenas planas de Fresnel para llevar datos a la Tierra desde una sonda interestelar a grandes distancias. Esto sería necesario si la tecnología se utiliza en naves espaciales robóticas en el futuro ".
Las entradas representan valores de un espectro de la atmósfera de un planeta de prueba. La capa de salida contiene una 'probabilidad de vida', que se basa en una medición de la similitud de la entrada con los cinco objetivos del sistema solar. Las entradas pasan por una serie de capas ocultas en la red, que están interconectados y permiten a la red "aprender" qué patrones de líneas espectrales corresponden a un tipo de planeta específico. Crédito:C. Bishop / Universidad de Plymouth
Las observaciones atmosféricas, conocidas como espectros, de los cinco cuerpos del Sistema Solar se presentan como entradas a la red, al que luego se le pide que los clasifique en términos del tipo planetario. Como actualmente se sabe que la vida solo existe en la Tierra, la clasificación utiliza una métrica de "probabilidad de vida" que se basa en las propiedades atmosféricas y orbitales relativamente bien conocidas de los cinco tipos de objetivos.
Bishop ha entrenado la red con más de cien perfiles espectrales diferentes, cada uno con varios cientos de parámetros que contribuyen a la habitabilidad. Hasta aquí, la red funciona bien cuando se le presenta un perfil espectral de prueba que no ha visto antes.
"Dados los resultados hasta ahora, este método puede resultar extremadamente útil para categorizar diferentes tipos de exoplanetas utilizando los resultados de los observatorios terrestres y cercanos a la Tierra ", dice el Dr. Angelo Cangelosi, el supervisor del proyecto.
La técnica también puede ser ideal para seleccionar objetivos para futuras observaciones, dado el aumento en el detalle espectral esperado de las próximas misiones espaciales como la Misión Espacial Ariel de la ESA y el Telescopio Espacial James Webb de la NASA.
