Mirando hacia el futuro, los astrónomos quieren ver cómo es el aprendizaje automático (también conocido como Machine Learning).Aprendizaje profundo e inteligencia artificial (IA): mejora las encuestas.Esta es un área en la que los investigadores ya se están beneficiando de la búsqueda de exoplanetas, que se basa en algoritmos de aprendizaje automático para distinguir entre señales débiles y ruido de fondo.A medida que el campo continúa cambiando del descubrimiento a la caracterización, el papel de la inteligencia artificial será aún más importante.
tómalotelescopio espacial kepler, describió 2879 hallazgos confirmados.4.575 exoplanetasencontrado hasta la fecha) durante un período de servicio de casi 10 años.Después de revisar los datos recopilados por Kepler utilizando una nueva red neuronal de aprendizaje profundo,exo menor, un equipo de investigadores del Centro de Investigación Ames de la NASA pudo detectar más de 301 señales planetarias y agregarlas al creciente censo de exoplanetas.
Estos exoplanetas recién descubiertos y el algoritmo ExoMiner se describen en un artículo aprobado recientemente.Diario astrofísico.El equipo de tesis y proyectoAsociación Universitaria de Investigación Espacial(USRA) NASA Ames’ e incluye varios investigadores de la USRA.Laboratorios SETIy universidades de todo el mundo.
Como señalan en su artículo, todos los 301 planetas verificados por máquinas fueron originalmenteCentro de operaciones científicas de Keplertubería.Estos planetas también han sido promovidos al estado de “candidatos” planetarios.Oficina de Ciencias de Kepler(es decir, no verificado).Sin embargo, nadie pudo confirmar que estas señales potenciales fueran exoplanetas antes de usar ExoMiner para examinar los archivos de Kepler Kepler.
Al igual que con todas las tecnologías de aprendizaje automático, esta nueva red neuronal profunda aprende a identificar patrones en función de los datos proporcionados.Para ExoMiner, los investigadores de NASA Ames lo diseñaron usando una variedad de pruebas y propiedades que los expertos humanos usan para confirmar la existencia de exoplanetas.la supercomputadora de la NASApléyades), utilizan este conocimiento para diferenciar entre exoplanetas reales y varios tipos de “falsos positivos”.
El libro blanco también muestra cómo el equipo científico llegó a una conclusión, mientras que ExoMiner es más preciso y consistente en la eliminación de falsos positivos e identificación de firmas planetarias.a Balizadeganexplicación:
“Cuando ExoMiner dice que algo es un planeta, puedes estar seguro de que es un planeta.ExoMiner es muy preciso y, en cierto modo, más confiable que los clasificadores de máquinas tradicionales y los expertos humanos. Debe emularse debido al sesgo asociado con el etiquetado humano.Ahora hemos entrenado a ExoMiner utilizando datos de Kepler y, con algunos ajustes, podemos transferir ese entrenamiento a otras misiones, incluido el TESS en el que estamos trabajando actualmente.Hay espacio para el crecimiento”, dijo.
ExoMiner está diseñado específicamente para ayudar a los profesionales a recuperar los datos recopilados durante las campañas de Kepler y K2.La razón tiene que ver con el método de caza de exoplanetas utilizado por Kepler y su sucesor, Kepler.Paso del satélite de exploración de exoplanetas(Tess).Consiste en monitorear miles de estrellas en busca de signos de degradación periódica de la luminosidad, que puede ser causada por exoplanetas que pasan (pasando) frente a ellos en relación con el observador.
conocido comoTransporte(también conocida como fotometría de tránsito), la técnica es el medio más efectivo para detectar exoplanetas y representa más del 75% de todos los descubrimientos realizados hasta la fecha.Sin embargo, también está sujeto a un porcentaje significativo de falsos positivos, que puede llegar al 40% en sistemas planetarios únicos.estudio de 2012datos de la misión Kepler).Además, solo es efectivo en aproximadamente el 10% de los sistemas estelares. La razón es que el borde debe estar encendido para que el observador pueda ver el pase.
La principal forma de resolver este problema es monitorear miles de estrellas en un solo campo, lo que crea una carga de minería de datos (mencionada anteriormente).Por todas estas razones, tener un ayudante automatizado (que sepa exactamente qué buscar) que pueda procesar sus datos de manera confiable es un gran cambio de juego.El científico de exoplanetas Jon Jenkins del Centro de Investigación Ames de la NASA le dijo recientemente a la NASA:presione soltar:
“A diferencia de otros programas de aprendizaje automático de detección de exoplanetas, ExoMiner no es una caja negra. No hay misterio en cuanto a por qué algo determina si algo es un planeta o no.Es fácil explicar qué características de los datos llevan a ExoMiner a rechazar o confirmar planetas. Estos 301 descubrimientos nos ayudan a comprender mejor los planetas y los sistemas solares más allá de nosotros mismos y explican qué nos hace tan únicos”.
Desafortunadamente, ninguno de los planetas recientemente identificados se consideran planetas “similares a la Tierra”. Esto significa que la composición no es rocosa y no orbita dentro de la zona habitable (HZ) de la estrella madre.Sin embargo, tienen algunas cosas en común con toda la población de exoplanetas identificados en nuestra galaxia, lo que hace que estos 301 planetas sean adecuados para agregar al censo de exoplanetas.
En un futuro cercano, ExoMiner y otras tecnologías de aprendizaje automático resultarán muy útiles para misiones que dependen de Transit Photometry.Esto incluye TESS.septiembre 2022(excepto para futuras ampliaciones), ESAMovimiento planetario y vibraciones estelares.(PLATO) misión y de la NASATelescopio espacial romano Nancy Grace(RST) – Programado para su lanzamiento en 2026 y 2027 respectivamente.
Otras lecturas:tornillo