Mirando hacia el futuro, los astrónomos están emocionados de ver cómo el aprendizaje automático, también conocido como. aprendizaje profundo e inteligencia artificial (IA): mejorará las encuestas. Un campo que ya se está beneficiando en la búsqueda de planetas extrasolares, donde los investigadores confían en algoritmos de aprendizaje automático para distinguir entre señales débiles y ruido de fondo. A medida que este campo continúa su transición del descubrimiento a la caracterización, es probable que el papel de la inteligencia artificial se vuelva aún más crítico.
Toma el Kepler Telescopio espacial, que representó 2879 descubrimientos confirmados (de los 4.575 exoplanetas descubiertos realizados hasta la fecha) durante sus casi diez años de servicio. Después de examinar los datos recopilados por Kepler utilizando una nueva red neuronal de aprendizaje profundo llamada ExoMiner, un equipo de investigación del Centro de Investigación Ames de la NASA pudo detectar 301 señales planetarias más y agregarlas al creciente censo de exoplanetas.
Estos exoplanetas recién detectados y el algoritmo ExoMiner se describieron en un artículo que fue aceptado recientemente para su publicación en el Diario astrofísico. El trabajo y el equipo del proyecto fueron dirigidos por Hamed Valizadegan, gerente de aprendizaje automático de la Asociación de Investigación Espacial de Universidades (USRA) en NASA Ames, e incluyó a varios investigadores de la USRA, el Instituto SETI y universidades de todo el mundo.
Como indican en su artículo, los 301 planetas validados por máquina fueron detectados originalmente por la tubería del Centro de Operaciones Científicas de Kepler. Estos planetas también fueron promovidos a la condición de planeta «candidato» por la Oficina de Ciencias de Kepler (en otras palabras, no confirmado). Sin embargo, antes de que se examinara el archivo de Kepler Kepler utilizando ExoMiner, nadie pudo verificar que estas señales potenciales fueran exoplanetas.
Como todas las técnicas de aprendizaje automático, esta nueva red neuronal profunda aprende a identificar patrones en función de los datos que se le han proporcionado. En el caso de ExoMiner, los investigadores de la NASA Ames lo diseñaron utilizando varias pruebas y propiedades que los expertos humanos utilizan para confirmar la presencia de exoplanetas. Combinado con la supercomputadora de la NASA (Pléyades), utiliza este conocimiento para distinguir entre exoplanetas reales y varios tipos de «falsos positivos».
También se indica en el documento cómo ExoMiner es más preciso y consistente para descartar falsos positivos e identificar firmas de planetas, al tiempo que muestra a los equipos científicos cómo llegó a su conclusión. Como explicó Valizadegan:
“Cuando ExoMiner dice que algo es un planeta, puedes estar seguro de que es un planeta. ExoMiner es altamente preciso y, de alguna manera, más confiable que los clasificadores de máquinas existentes y los expertos humanos que debe emular debido a los sesgos que acompañan al etiquetado humano. Ahora que hemos entrenado a ExoMiner usando datos de Kepler, con un poco de ajuste, podemos transferir ese aprendizaje a otras misiones, incluida TESS, en la que estamos trabajando actualmente. Hay espacio para crecer «.
ExoMiner fue diseñado específicamente para ayudar a los expertos que buscan a través de los datos recopilados durante el Kepler y K2 Campañas. La razón de esto tiene que ver con el método de búsqueda de exoplanetas utilizado por Kepler y su sucesor, el Satélite de estudio de exoplanetas en tránsito (TESS). Esto consiste en monitorear miles de estrellas en busca de signos de caídas periódicas de luminosidad, que podrían ser causadas por exoplanetas que pasan frente a ellas (también conocido como en tránsito) en relación con el observador.
Conocido como el Método de Tránsito (también conocido como Fotometría de Tránsito), esta técnica es el medio más eficaz de detección de exoplanetas hasta la fecha, y representa más del 75% de todos los descubrimientos realizados hasta la fecha. Sin embargo, también está sujeto a una tasa sustancial de falsos positivos, que puede llegar al 40% en sistemas de un solo planeta (según un estudio de 2012 de los datos de la misión Kepler). Además, solo es efectivo para aproximadamente el 10% de los sistemas estelares, ya que deben estar de borde en relación con el observador para que los tránsitos sean visibles.
La forma principal de evitar esto es monitorear miles de estrellas en un solo campo, lo que crea la carga de la minería de datos (mencionada anteriormente). Por todas estas razones, tener un ayudante automatizado que pueda procesar los datos de manera confiable (sabiendo exactamente qué buscar) es un gran cambio de juego. Como dijo Jon Jenkins, un científico de exoplanetas del Centro de Investigación Ames de la NASA, en un comunicado de prensa reciente de la NASA:
“A diferencia de otros programas de aprendizaje automático que detectan exoplanetas, ExoMiner no es una caja negra; no hay ningún misterio en cuanto a por qué decide que algo es un planeta o no. Podemos explicar fácilmente qué características de los datos llevan a ExoMiner a rechazar o confirmar un planeta … Estos descubrimientos 301 nos ayudan a comprender mejor los planetas y los sistemas solares más allá del nuestro, y qué hace que el nuestro sea tan único «.
Desafortunadamente, se cree que ninguno de los planetas recientemente confirmados es «similar a la Tierra», lo que significa que no tienen una composición rocosa ni orbitan dentro de la zona habitable (HZ) de sus estrellas madres. Pero tienen algunas características en común con la población general de exoplanetas confirmados en nuestro vecindario galáctico, lo que hace que estos 301 planetas sean una adición adecuada al censo de exoplanetas.
En un futuro muy cercano, ExoMiner y otras técnicas de aprendizaje automático resultarán muy útiles para las misiones que se basan en la fotometría de tránsito. Esto incluye TESS, que está programado para permanecer en funcionamiento hasta septiembre de 2022 (salvo nuevas extensiones), pero también la misión PLAnetary Tránsitos y Oscilaciones de las estrellas (PLATO) de la ESA y el Telescopio Espacial Romano Nancy Grace de la NASA (RST), que están programados para lanzamiento en 2026 y 2027 (respectivamente).
Otras lecturas: NASA