I mondi in orbita attorno a stelle diverse dal nostro sole sono "esopianeti, ” e sono disponibili in molte dimensioni, da giganti gassosi più grandi di Giove a piccoli, pianeti rocciosi. Questa illustrazione di una "super-Terra" rappresenta il tipo di pianeta che la missione TESS mira a trovare al di fuori del nostro sistema solare. Credito:M. Kornmesser/ESO
Quando il MIT ha lanciato il MIT Stephen A. Schwarzman College of Computing questo autunno, uno degli obiettivi era promuovere un'ulteriore innovazione nel campo dell'informatica in tutte le scuole del MIT. I ricercatori si stanno già espandendo oltre le tradizionali applicazioni dell'informatica e utilizzano queste tecniche per far avanzare una serie di campi scientifici, dalla medicina del cancro all'antropologia, al design e alla scoperta di nuovi pianeti.
Il calcolo si è già dimostrato utile per il Transiting Exoplanet Survey Satellite (TESS), una missione finanziata dalla NASA guidata dal MIT. Lanciato da Cape Canaveral nell'aprile 2018, TESS è un satellite che acquisisce immagini del cielo mentre orbita attorno alla Terra. Queste immagini possono aiutare i ricercatori a trovare pianeti in orbita attorno a stelle oltre il nostro sole, chiamati esopianeti. Questo lavoro, che ora è a metà completo, rivelerà di più sugli altri pianeti all'interno di quello che la NASA chiama il nostro "quartiere solare".
"TESS ha appena completato la prima della sua missione principale di due anni, scrutando il cielo notturno del sud, "dice Sara Seager, un astrofisico e scienziato planetario al MIT e vicedirettore scientifico per TESS. "TESS trovato più di 1, 000 pianeti candidati e circa 20 pianeti confermati, alcuni in sistemi multi-pianeti."
Sebbene TESS abbia finora consentito alcune scoperte impressionanti, trovare questi pianeti extrasolari non è un compito semplice. TESS sta raccogliendo immagini di oltre 200, 000 stelle lontane, salvando un'immagine di questi pianeti ogni due minuti, oltre a salvare un'immagine di un'ampia fascia di cielo ogni 30 minuti. Seager dice ogni due settimane, che è il tempo impiegato dal satellite per orbitare attorno alla Terra, TESS invia circa 350 gigabyte di dati (una volta non compressi) sulla Terra. Mentre Seager afferma che non si tratta di tanti dati come la gente potrebbe aspettarsi (un Macbook Pro 2019 ha fino a 512 gigabyte di spazio di archiviazione), analizzare i dati implica prendere in considerazione molti fattori complessi.
Seager, che dice di essere stata a lungo interessata a come il calcolo possa essere usato come strumento per la scienza, iniziò a discutere del progetto con Victor Pankratius, un ex ricercatore principale presso il Kavli Institute for Astrophysics and Space Research del MIT, che ora è il direttore e capo dell'ingegneria del software globale presso Bosch Sensortec. Un informatico esperto, Pankratius afferma che dopo essere arrivato al MIT nel 2013, ha iniziato a pensare a campi scientifici che producono big data, ma che non hanno ancora beneficiato appieno delle tecniche informatiche. Dopo aver parlato con astronomi come Seager, imparò di più sui dati raccolti dai loro strumenti e si interessò all'applicazione di tecniche di scoperta assistita da computer alla ricerca di esopianeti.
"L'universo è un posto grande, " Dice Pankratius. "Quindi penso che sfruttare ciò che abbiamo dal lato dell'informatica sia una grande cosa."
L'idea alla base della missione di TESS è che, come il nostro sistema solare, in cui la Terra e gli altri pianeti ruotano attorno a una stella centrale (il sole), ci sono altri pianeti oltre il nostro sistema solare che ruotano attorno a stelle diverse. Le immagini raccolte da TESS producono curve di luce, dati che mostrano come la luminosità della stella cambia nel tempo. I ricercatori stanno analizzando queste curve di luce per trovare cali di luminosità, il che potrebbe indicare che un pianeta sta passando davanti alla stella e ne blocca temporaneamente parte della sua luce.
"Ogni volta che un pianeta orbita, vedresti questa luminosità diminuire, " Dice Pankratius. "È quasi come un battito del cuore."
Il problema è che non tutti i cali di luminosità sono necessariamente causati da un pianeta che passa. Seager afferma che l'apprendimento automatico attualmente entra in gioco durante la fase di "triage" della loro analisi dei dati TESS, aiutandoli a distinguere tra potenziali pianeti e altre cose che potrebbero causare cali di luminosità, come stelle variabili, che variano naturalmente nella loro luminosità, o rumore dello strumento.
L'analisi sui pianeti che passano attraverso il triage viene ancora eseguita da scienziati che hanno imparato a "leggere" le curve di luce. Ma il team sta ora utilizzando migliaia di curve di luce che sono state classificate a occhio per insegnare alle reti neurali come identificare i transiti degli esopianeti. Il calcolo li sta aiutando a restringere le curve di luce che dovrebbero esaminare in modo più dettagliato. Liang Yu Ph.D. '19, un neolaureato in fisica, costruito su un codice esistente per scrivere lo strumento di apprendimento automatico che il team sta ora utilizzando.
Sebbene sia utile per individuare i dati più rilevanti, Seager afferma che l'apprendimento automatico non può ancora essere utilizzato per trovare semplicemente esopianeti. "Abbiamo ancora molto lavoro da fare, " lei dice.
Pancrazio è d'accordo. "Quello che vogliamo fare è fondamentalmente creare sistemi di scoperta assistiti da computer che lo facciano per tutte le [stelle] in ogni momento, " dice. "Vuoi semplicemente premere un pulsante e dire, mostrami tutto. Ma in questo momento sono ancora le persone con un po' di automazione a controllare tutte queste curve di luce".
Seager e Pankratius hanno anche insegnato insieme un corso incentrato su vari aspetti del calcolo e dello sviluppo dell'intelligenza artificiale (AI) nella scienza planetaria. Seager afferma che l'ispirazione per il corso è nata da un crescente interesse da parte degli studenti a conoscere l'intelligenza artificiale e le sue applicazioni alla scienza dei dati all'avanguardia.
Nel 2018, il corso ha permesso agli studenti di utilizzare i dati reali raccolti da TESS per esplorare le applicazioni di apprendimento automatico per questi dati. Modellato su un altro corso insegnato da Seager e Pankratius, gli studenti del corso hanno potuto scegliere un problema scientifico e apprendere le abilità di calcolo per risolverlo. In questo caso, gli studenti hanno appreso le tecniche e le applicazioni dell'IA a TESS. Seager afferma che gli studenti hanno avuto un'ottima risposta alla classe unica.
"Come studente, potresti davvero fare una scoperta, " Dice Pankratius. "Puoi costruire un algoritmo di apprendimento automatico, eseguilo su questi dati, e chi lo sa, forse troverai qualcosa di nuovo."
Gran parte dei dati raccolti da TESS è anche prontamente disponibile come parte di un più ampio progetto di scienza dei cittadini. Pankratius afferma che chiunque abbia gli strumenti giusti potrebbe iniziare a fare scoperte per conto proprio. Grazie alla connettività cloud, questo è possibile anche su un telefono cellulare.
"Se ti annoi mentre torni a casa in autobus, perché non cercare i pianeti?" dice.
Pankratius afferma che questo tipo di lavoro collaborativo consente agli esperti di ogni dominio di condividere le proprie conoscenze e imparare gli uni dagli altri, piuttosto che cercare di farsi coinvolgere nel campo dell'altro.
"Col tempo, la scienza è diventata più specializzata, quindi abbiamo bisogno di modi per integrare meglio gli specialisti, " dice Pankratius. Il college of computing potrebbe aiutare a creare più collaborazioni di questo tipo, Aggiunge. Pankratius dice anche che potrebbe attirare ricercatori che lavorano all'intersezione di queste discipline, che possono colmare le lacune nella comprensione tra esperti.
Questo tipo di lavoro che integra l'informatica sta già diventando sempre più comune in tutti i campi scientifici, Note di Seager. "Il machine learning è 'in voga' in questo momento, " lei dice.
Pankratius afferma che ciò è in parte dovuto al fatto che ci sono più prove che sfruttare le tecniche informatiche è un modo efficace per affrontare vari tipi di problemi e serie di dati in crescita.
"Ora abbiamo dimostrazioni in diverse aree che l'approccio alla scoperta assistita da computer non funziona solo, " Dice Pankratius. "In realtà porta a nuove scoperte."