Redacción
Cincuenta exoplanetas 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 exoplaneta.
Sus resultados se dan a conocer en un nuevo estudio publicado en la revista Monthly Notices of the Royal Astronomical Society, donde también se realiza la primera comparación a gran escala de tales técnicas de validación de exoplanetas. Sus conclusiones abogan por el uso de múltiples técnicas de validación, incluido su algoritmo de aprendizaje automático, para confirmar estadísticamente futuros descubrimientos de exoplanetas.
Muchos estudios de exoplanetas buscan a través de enormes cantidades de datos telescópicos señales de planetas que estén pasando entre el telescopio y su estrella, lo que se conoce como tránsito. Esto da como resultado un descenso revelador de la luz de la estrella que el telescopio detecta, pero también podría ser causado por un sistema estelar binario, la interferencia de un objeto en el fondo, o incluso ligeros errores en la cámara. Estos falsos positivos pueden ser tamizados en un proceso de validación planetaria.
Investigadores de los departamentos de Física y Computación de Warwick, así como del Instituto Alan Turing, construyeron 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 las misiones de telescopios como el Kepler y el TESS de la NASA.
(Foto: Pixabay)
El algoritmo fue entrenado para reconocer planetas reales usando dos grandes muestras de planetas confirmados y falsos positivos de la ahora retirada misión Kepler. Los investigadores utilizaron entonces el algoritmo en un conjunto de datos de candidatos planetarios de Kepler aún no confirmados, lo que dio como resultado cincuenta nuevos planetas confirmados y los primeros en ser validados por aprendizaje automático. Técnicas anteriores de aprendizaje automático 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 de los planetas.
Esos cincuenta planetas van desde mundos tan grandes como Neptuno a más pequeños que la Tierra, con órbitas tan largas como 200 días o tan poco como un solo día. Confirmando que estos cincuenta planetas son reales, los astrónomos pueden ahora priorizarlos para futuras observaciones con telescopios dedicados.
El 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 de validación de exoplanetas, actualizándolos a planetas reales. Esperamos aplicar esta técnica a grandes muestras de candidatos de las misiones actuales y futuras como TESS y PLATO.
“En términos de validación de exoplanetas, nadie ha usado antes una técnica de aprendizaje automático. El aprendizaje automático se ha usado para clasificar candidatos planetarios, pero nunca en un marco probabilístico, que es lo que se necesita para validar realmente un exoplaneta. En lugar de decir qué candidatos tienen más probabilidades de ser planetas, ahora podemos decir cuál es la probabilidad estadística precisa. Cuando hay menos de un 1% de probabilidad de que un candidato sea un falso positivo, se considera un exoplaneta validado”.
El Dr. Theo Damoulas, del Departamento de Ciencias Informáticas de la Universidad de Warwick, y Director Adjunto de Ingeniería Centrada en Datos y miembro del Instituto Alan Turing, dijo: “Los enfoques probabilísticos para el aprendizaje automático estadístico son especialmente adecuados para un problema tan apasionante como este en la astrofísica que requiere la incorporación de conocimientos previos – de expertos como el Dr. Armstrong – y la cuantificación de la incertidumbre en las predicciones. Un ejemplo excelente en el que la complejidad computacional adicional de los métodos probabilísticos compensa de manera significativa”.
Una vez construido y entrenado, el algoritmo es más rápido que las técnicas existentes y puede ser completamente automatizado, lo que lo hace ideal para analizar los potencialmente miles de candidatos planetarios observados en estudios actuales como TESS. Los investigadores sostienen que debería ser una de las herramientas a utilizar colectivamente para validar los exoplanetas en el futuro.
El Dr. Armstrong añade: “Casi el 30% de los planetas conocidos hasta la fecha han sido validados usando un solo método, y eso no es lo ideal. El desarrollo de nuevos métodos de validación es deseable por esa sola razón. Pero el aprendizaje automático también nos permite hacerlo muy rápidamente y priorizar los candidatos mucho más rápido. Todavía tenemos que pasar tiempo entrenando el algoritmo, pero una vez hecho esto se hace mucho más fácil aplicarlo a los futuros candidatos. También puedes incorporar nuevos descubrimientos para mejorarlo progresivamente. Se predice que una exploración como la de TESS producirá decenas de miles de candidatos planetarios y es ideal poder analizarlos todos de forma consistente. Sistemas rápidos y automatizados como este que pueden llevarnos hasta exoplanetas validados en menos pasos nos permiten hacerlo de forma eficiente”.
[/fusion_builder_column][/fusion_builder_row][/fusion_builder_container]
