Cinqüenta planetas potenciais foram confirmados por um novo algoritmo de aprendizado de máquina desenvolvido por cientistas da Universidade de Warwick.

Pela primeira vez, astrônomos usaram um processo baseado em aprendizado de máquina, uma forma de inteligência artificial, para analisar uma amostra de planetas potenciais e determinar quais são reais e quais são "falsos, "ou falsos positivos, calcular a probabilidade de cada candidato ser um planeta verdadeiro.

Seus resultados são relatados em um novo estudo publicado no Avisos mensais da Royal Astronomical Society , onde eles também realizam a primeira comparação em grande escala de tais técnicas de validação de planetas. Suas conclusões justificam o uso de várias técnicas de validação, incluindo seu algoritmo de aprendizado de máquina, ao confirmar estatisticamente futuras descobertas de exoplanetas.

Muitas pesquisas de exoplanetas buscam em enormes quantidades de dados de telescópios os sinais de planetas passando entre o telescópio e sua estrela, conhecido como trânsito. Isso resulta em uma queda reveladora na luz da estrela que o telescópio detecta, mas também pode ser causado por um sistema estelar binário, interferência de um objeto no fundo, ou mesmo pequenos erros na câmera. Esses falsos positivos podem ser peneirados em um processo de validação planetária.

Pesquisadores dos Departamentos de Física e Ciência da Computação de Warwick, bem como o Instituto Alan Turing, construiu um algoritmo baseado em aprendizado de máquina que pode separar planetas reais de planetas falsos nas grandes amostras de milhares de candidatos encontrados por missões de telescópio como Kepler e TESS da NASA.

Ele foi treinado para reconhecer planetas reais usando duas grandes amostras de planetas confirmados e falsos positivos da missão Kepler, agora aposentada. Os pesquisadores então usaram o algoritmo em um conjunto de dados de candidatos planetários ainda não confirmados do Kepler, resultando em 50 novos planetas confirmados e o primeiro a ser validado por aprendizado de máquina. As técnicas anteriores de aprendizado de máquina classificaram os candidatos, mas nunca determinou a probabilidade de que um candidato fosse um verdadeiro planeta por si só, uma etapa necessária para a validação do planeta.

Esses 50 planetas variam de mundos tão grandes como Netuno até menores que a Terra, com órbitas de até 200 dias a apenas um dia. Ao confirmar que esses 50 planetas são reais, os astrônomos agora podem priorizá-los para futuras observações com telescópios dedicados.

Dr. David Armstrong, do Departamento de Física da University of Warwick, disse:"O algoritmo que desenvolvemos nos permite levar 50 candidatos além do limite para a validação do planeta, atualizando-os para planetas reais. Esperamos aplicar esta técnica a grandes amostras de candidatos de missões atuais e futuras, como TESS e PLATO. Em termos de validação do planeta, ninguém usou uma técnica de aprendizado de máquina antes. O aprendizado de máquina tem sido usado para classificar candidatos planetários, mas nunca em uma estrutura probabilística, que é o que você precisa para realmente validar um planeta. Em vez de dizer quais candidatos são mais prováveis ​​de serem planetas, agora podemos dizer qual é a probabilidade estatística precisa. Onde houver menos de 1% de chance de um candidato ser um falso positivo, é considerado um planeta validado. "

Dr. Theo Damoulas, do Departamento de Ciência da Computação da University of Warwick, e Diretor Adjunto, Data Centric Engineering e Turing Fellow no The Alan Turing Institute, disse:"Abordagens probabilísticas de aprendizado de máquina estatística são especialmente adequadas para um problema empolgante como este na astrofísica, que requer a incorporação de conhecimento prévio - de especialistas como o Dr. Armstrong - e a quantificação da incerteza nas previsões. Um excelente exemplo quando a complexidade computacional adicional de métodos probabilísticos compensam significativamente. "

Depois de construído e treinado, o algoritmo é mais rápido do que as técnicas existentes e pode ser totalmente automatizado, tornando-o ideal para analisar os potencialmente milhares de candidatos planetários observados em pesquisas atuais como o TESS. Os pesquisadores argumentam que deve ser uma das ferramentas a serem usadas coletivamente para validar planetas no futuro.

Dr. Armstrong acrescenta:"Quase 30% dos planetas conhecidos até agora foram validados usando apenas um método, e isso não é o ideal. O desenvolvimento de novos métodos de validação é desejável apenas por esse motivo. Mas o aprendizado de máquina também nos permite fazer isso muito rapidamente e priorizar os candidatos com muito mais rapidez. Ainda temos que gastar tempo treinando o algoritmo, mas, uma vez feito isso, torna-se muito mais fácil aplicá-lo a futuros candidatos. Você também pode incorporar novas descobertas para melhorá-lo progressivamente. Uma pesquisa como a TESS está prevista para ter dezenas de milhares de candidatos planetários e é ideal ser capaz de analisá-los todos consistentemente. Rápido, sistemas automatizados como este, que podem nos levar até planetas validados em menos etapas, nos permitem fazer isso de forma eficiente. "