Per scoprire come si formano i pianeti, gli astrofisici eseguono calcoli computerizzati complicati e dispendiosi in termini di tempo. I membri del NCCR PlanetS dell'Università di Berna hanno ora sviluppato un approccio totalmente nuovo per accelerare notevolmente questo processo. Usano il deep learning basato su reti neurali artificiali, un metodo ben noto nel riconoscimento delle immagini.

I pianeti crescono in dischi stellari, accumulo di materiale solido e gas. Che diventino corpi come la Terra o Giove dipende da diversi fattori come le proprietà dei solidi, la pressione e la temperatura nel disco e il materiale già accumulato. Con modelli al computer gli astrofisici cercano di simulare il processo di crescita e di determinare la struttura planetaria interna. Per determinate condizioni al contorno calcolano le masse dell'involucro di gas di un pianeta. "Ciò richiede la risoluzione di una serie di equazioni differenziali, " spiega Yann Alibert, responsabile scientifico del NCCR PlanetS presso l'Università di Berna:"La risoluzione di queste equazioni è stata una specialità degli astrofisici qui a Berna negli ultimi 15 anni, ma è un processo complicato e che richiede tempo."

Per velocizzare i calcoli Yann Alibert e la associata di PlanetS Julia Venturini dell'International Space Science Institute (ISSI) di Berna hanno adottato un metodo che ha già catturato molti altri campi, compreso lo sviluppo di smartphone:deep learning. È, ad esempio, utilizzato per il riconoscimento di volti e immagini. Ma questo ramo dell'intelligenza artificiale e dell'apprendimento automatico ha anche migliorato la traduzione automatica del linguaggio ed è fondamentale per le auto a guida autonoma. "C'è un grande clamore anche in astronomia, " afferma Alibert. "Il machine learning è già stato utilizzato per analizzare le osservazioni, ma per quanto ne so, siamo i primi ad utilizzare il deep learning per questo scopo." Alibert e Venturini pubblicano i risultati sulla rivista Astronomia e Astrofisica ( AA ).

Database di milioni di pianeti

Primo, i ricercatori hanno dovuto creare un database. Hanno calcolato milioni di possibili strutture interne dei pianeti. "Ci sono volute tre settimane per calcolare tutti questi casi di test utilizzando un codice sviluppato da Julia Venturini durante il suo dottorato di ricerca a Berna, " dice Alibert. Il passo successivo è stato quello di decidere l'architettura di una rete neurale artificiale, un insieme di algoritmi che passa i dati di input attraverso operazioni matematiche e ha la capacità di apprendere senza essere programmato in modo esplicito. "Quindi, abbiamo addestrato questa rete utilizzando il nostro gigantesco database, "dice l'astrofisico. "Ora, la nostra rete è in grado di prevedere la massa di un pianeta che si sta formando in determinate condizioni con una precisione molto buona e tremendamente più veloce della risoluzione delle equazioni differenziali".

Il processo di deep learning è molto più preciso rispetto ai metodi sviluppati in precedenza per sostituire la soluzione di equazioni differenziali con alcune formule analitiche. Queste formule analitiche potrebbero prevedere che un pianeta dovrebbe crescere fino alla massa di Giove, mentre in realtà non potrebbe avere più massa di Nettuno. "Mostriamo che le nostre reti neurali profonde forniscono un'ottima approssimazione a livello di percentuali, " riassume Alibert. I ricercatori forniscono i loro risultati sulla piattaforma di sviluppo software GitHub, in modo che i colleghi che lavorano nella formazione del pianeta in tutto il mondo ne traggano beneficio.