211service.com
El aprendizaje profundo ha encontrado dos exoplanetas que los astrónomos humanos pasaron por alto
Daniel Fabrycky | NASA
La búsqueda de planetas que orbitan alrededor de otras estrellas ha alcanzado escala industrial. Los astrónomos han descubierto más de 4000 de ellos, más de la mitad utilizando datos del telescopio espacial Kepler, un observatorio en órbita diseñado para este propósito.
Lanzado en 2009, Kepler observó un campo de visión fijo durante muchos meses, buscando los pequeños cambios periódicos en el brillo de las estrellas causados por los planetas que se mueven frente a ellas.
Pero en 2012, la misión tuvo problemas cuando una de las cuatro ruedas de reacción de la nave espacial falló. Estas ruedas estabilizan la nave, permitiéndole apuntar con precisión en una dirección específica. En 2013, una segunda rueda de reacción falló, dejando la misión en peligro.
Como solución, los ingenieros idearon una forma para que la nave espacial dañada siguiera recopilando datos con menos precisión y más ruido. Llamaron a esta parte de la misión K2. Los astrónomos continuaron encontrando nuevos exoplanetas en los datos de K2, pero a un ritmo mucho menor que antes.
Eso los llevó a una posibilidad interesante. Claramente, las firmas de exoplanetas aún deben estar presentes, pero no se detectaron debido al ruido adicional. Si alguien pudiera encontrar alguna forma de eliminar sistemáticamente este ruido y estudiar las señales resultantes, entonces podrían revelarse los exoplanetas perdidos.
Ingrese a Anne Dattilo y sus colegas de la Universidad de Texas en Austin, quienes crearon una red neuronal de aprendizaje profundo llamada AstroNet-K2 que puede realizar este análisis de datos por sí misma. Los investigadores dicen que acelera drásticamente el proceso de extracción de datos de K2 e incluso ha detectado exoplanetas que los astrónomos experimentados habían pasado por alto.
El proceso de descubrimiento de exoplanetas implica varias etapas. Primero, los astrónomos deben extraer las curvas de luz de cada estrella, mostrando su brillo a lo largo del tiempo. Luego estudian cada curva para ver cómo cambia con el tiempo.
La red neuronal realiza exactamente este proceso y luego filtra el conjunto de datos. Por ejemplo, debido a que los exoplanetas son diminutos en relación con su estrella madre, cualquier curva de luz con una variación superior al 3 % se denomina sistema estelar binario. La variación de la luz también debe ser periódica para indicar un exoplaneta, por lo que también se pueden ignorar las variaciones individuales.
De esta forma, la red neuronal filtra un gran porcentaje de falsos positivos. AstroNet-K2 tiene un gran éxito en la clasificación de exoplanetas y falsos positivos, con una precisión del 98% en nuestro conjunto de prueba, dicen Dattilo y compañía.
Cuando el equipo lo puso a trabajar con los ruidosos datos de K2, descubrió inmediatamente dos exoplanetas. Entre diciembre de 2016 y marzo de 2017, Marte pasó por el campo de visión de Kepler. El planeta rojo es particularmente brillante en comparación con las estrellas de fondo y, por lo tanto, presenta todo tipo de luz y ruido dispersos, que enmascaran las firmas de los exoplanetas.
Pero mientras esto confundió a los astrónomos humanos, AstroNet-K2 detectó rápidamente las nuevas firmas de exoplanetas. El primero es un planeta hinchado del tamaño de una súper Tierra con una envoltura volátil que orbita alrededor de una estrella similar al Sol cada 13 días. Tiene una temperatura superficial de unos 750 °C.
El segundo es un planeta rocoso de súper Tierra que también orbita una estrella similar al Sol pero con un período de solo tres días. Por lo tanto, está mucho más cerca y más caliente: alrededor de 1400 °C, lo suficientemente caliente como para derretir el aluminio.
Esta investigación tiene el potencial de automatizar gran parte del trabajo involucrado en la búsqueda de exoplanetas. Una gran ventaja es que el descubrimiento basado en máquinas no sufre los mismos tipos de sesgos que los humanos pueden mostrar.
Así que AstroNet-K2 puede estudiar diferentes regiones de la galaxia exactamente de la misma manera, observando estrellas que se han formado en diferentes entornos. Los resultados deberían permitir a los astrónomos estudiar cómo difieren las poblaciones de exoplanetas en estas áreas.
AstroNet-K2 no es perfecto, por supuesto. Solo detecta firmas de exoplanetas que ha sido entrenado para reconocer e ignora cualquier cosa interesante que pueda apuntar a nuevos descubrimientos. Así que todavía necesita supervisión humana.
Los humanos son buenos para reconocer señales inusuales que las máquinas clasificarán erróneamente o no reconocerán como interesantes, lo cual es crucial para descubrir facetas interesantes y extrañas del universo, dicen Dattilo y compañía. Por lo tanto, los astrónomos no necesitan comenzar a buscar nuevos trabajos todavía.
Ref: arxiv.org/abs/1903.10507 : Identificación de exoplanetas con aprendizaje profundo II: dos nuevas supertierras descubiertas por una red neuronal en K2 Data