Cinquanta potenziali pianeti sono stati confermati da un nuovo algoritmo di apprendimento automatico sviluppato dagli scienziati dell'Università di Warwick.

Per la prima volta, gli astronomi hanno utilizzato un processo basato sull'apprendimento automatico, una forma di intelligenza artificiale, analizzare un campione di potenziali pianeti e determinare quali sono reali e quali sono "falsi, "o falsi positivi, calcolando la probabilità di ogni candidato di essere un vero pianeta.

I loro risultati sono riportati in un nuovo studio pubblicato su Avvisi mensili della Royal Astronomical Society , dove eseguono anche il primo confronto su larga scala di tali tecniche di convalida del pianeta. Le loro conclusioni giustificano l'utilizzo di più tecniche di convalida, compreso il loro algoritmo di apprendimento automatico, quando si confermano statisticamente future scoperte di esopianeti.

Molte indagini sugli esopianeti cercano attraverso enormi quantità di dati dai telescopi i segni dei pianeti che passano tra il telescopio e la loro stella, detto transitante. Ciò si traduce in un calo rivelatore di luce dalla stella che il telescopio rileva, ma potrebbe anche essere causato da un sistema stellare binario, interferenza da un oggetto sullo sfondo, o anche lievi errori nella fotocamera. Questi falsi positivi possono essere eliminati in un processo di convalida planetaria.

Ricercatori dei Dipartimenti di Fisica e Informatica di Warwick, così come l'Istituto Alan Turing, ha costruito un algoritmo basato sull'apprendimento automatico in grado di separare i pianeti reali da quelli falsi nei grandi campioni di migliaia di candidati trovati da missioni di telescopi come Kepler e TESS della NASA.

È stato addestrato a riconoscere i pianeti reali usando due grandi campioni di pianeti confermati e falsi positivi dalla missione Kepler ora in pensione. I ricercatori hanno quindi utilizzato l'algoritmo su un set di dati di candidati planetari ancora non confermati da Kepler, risultando in 50 nuovi pianeti confermati e il primo ad essere convalidato dall'apprendimento automatico. Le precedenti tecniche di apprendimento automatico hanno classificato i candidati, ma non hanno mai determinato la probabilità che un candidato fosse un vero pianeta da soli, un passaggio necessario per la convalida del pianeta.

Quei 50 pianeti vanno da mondi grandi come Nettuno a mondi più piccoli della Terra, con orbite fino a 200 giorni fino a un solo giorno. Confermando che questi 50 pianeti sono reali, gli astronomi possono ora dare la priorità a questi per ulteriori osservazioni con telescopi dedicati.

Dott. David Armstrong, dal Dipartimento di Fisica dell'Università di Warwick, ha dichiarato:"L'algoritmo che abbiamo sviluppato ci consente di portare 50 candidati oltre la soglia per la convalida del pianeta, aggiornandoli a pianeti reali. Speriamo di applicare questa tecnica a grandi campioni di candidati provenienti da missioni attuali e future come TESS e PLATO. In termini di convalida del pianeta, nessuno ha mai usato una tecnica di machine learning prima. L'apprendimento automatico è stato utilizzato per classificare i candidati planetari ma mai in un quadro probabilistico, che è ciò di cui hai bisogno per convalidare veramente un pianeta. Piuttosto che dire quali candidati hanno maggiori probabilità di essere pianeti, possiamo ora dire qual è l'esatta verosimiglianza statistica. Quando c'è meno dell'1% di possibilità che un candidato sia un falso positivo, è considerato un pianeta convalidato."

Dr. Theo Damoulas del Dipartimento di Informatica dell'Università di Warwick, e vicedirettore, Data Centric Engineering e Turing Fellow presso l'Alan Turing Institute, ha dichiarato:"Gli approcci probabilistici all'apprendimento automatico statistico sono particolarmente adatti per un problema entusiasmante come questo in astrofisica che richiede l'incorporazione di conoscenze pregresse, da esperti come il Dr. Armstrong, e la quantificazione dell'incertezza nelle previsioni. Un ottimo esempio quando la complessità computazionale aggiuntiva di metodi probabilistici ripaga in modo significativo."

Una volta costruito e addestrato, l'algoritmo è più veloce delle tecniche esistenti e può essere completamente automatizzato, rendendolo ideale per analizzare le potenzialmente migliaia di candidati planetari osservati in sondaggi attuali come TESS. I ricercatori sostengono che dovrebbe essere uno degli strumenti da utilizzare collettivamente per convalidare i pianeti in futuro.

Il Dr. Armstrong aggiunge:"Quasi il 30% dei pianeti conosciuti fino ad oggi è stato convalidato utilizzando un solo metodo, e questo non è l'ideale. Lo sviluppo di nuovi metodi per la convalida è auspicabile solo per questo motivo. Ma l'apprendimento automatico ci consente anche di farlo molto rapidamente e di dare priorità ai candidati molto più velocemente. Dobbiamo ancora dedicare del tempo all'addestramento dell'algoritmo, ma una volta fatto questo diventa molto più facile applicarlo ai futuri candidati. Puoi anche incorporare nuove scoperte per migliorarlo progressivamente. Si prevede che un sondaggio come TESS abbia decine di migliaia di candidati planetari ed è l'ideale per poterli analizzare tutti in modo coerente. Veloce, sistemi automatizzati come questo, che possono portarci fino a pianeti convalidati in meno passaggi, ci consentono di farlo in modo efficiente".