211service.com
Il deep learning ha trovato due esopianeti che gli astronomi umani hanno mancato
Daniel Fabrycky | Nasa
La ricerca di pianeti in orbita attorno ad altre stelle ha raggiunto una scala industriale. Gli astronomi ne hanno scoperti oltre 4.000, più della metà utilizzando i dati del telescopio spaziale Kepler, un osservatorio orbitante progettato per questo scopo.
Lanciato nel 2009, Kepler ha osservato un campo visivo fisso per molti mesi, alla ricerca dei piccoli cambiamenti periodici nella luminosità delle stelle causati dai pianeti che si muovono davanti a loro.
Ma nel 2012 la missione ha avuto problemi quando una delle quattro ruote di reazione della navicella si è guastata. Queste ruote stabilizzano l'imbarcazione, consentendole di puntare con precisione in una direzione specifica. Nel 2013 una seconda ruota di reazione è fallita, mettendo a rischio la missione.
Come soluzione, gli ingegneri hanno escogitato un modo per consentire alla navicella spaziale danneggiata di continuare a raccogliere dati con meno precisione e più rumore. Hanno chiamato questa parte della missione K2. Gli astronomi hanno continuato a trovare nuovi esopianeti nei dati del K2, ma a una velocità molto inferiore rispetto a prima.
Ciò li ha portati a una possibilità interessante. Chiaramente, le firme degli esopianeti devono essere ancora presenti ma sono state perse a causa del rumore extra. Se qualcuno potesse trovare un modo per rimuovere sistematicamente questo rumore e studiare i segnali risultanti, allora gli esopianeti persi potrebbero essere rivelati.
Entrano Anne Dattilo e colleghi dell'Università del Texas ad Austin, che hanno creato una rete neurale di apprendimento profondo chiamata AstroNet-K2 in grado di eseguire autonomamente questa analisi dei dati. I ricercatori affermano che accelera notevolmente il processo di estrazione dei dati K2 e ha persino individuato esopianeti che gli astronomi esperti avevano mancato.
Il processo di scoperta degli esopianeti prevede diverse fasi. Innanzitutto, gli astronomi devono estrarre le curve di luce per ciascuna stella, mostrandone la luminosità nel tempo. Quindi studiano ogni curva per vedere come cambia nel tempo.
La rete neurale esegue esattamente questo processo e quindi filtra il set di dati. Ad esempio, poiché gli esopianeti sono piccoli rispetto alla loro stella madre, qualsiasi curva di luce con una variazione maggiore del 3% è etichettata come sistema stellare binario. Anche la variazione di luce deve essere periodica per indicare un esopianeta, quindi anche le singole variazioni possono essere ignorate.
In questo modo, la rete neurale filtra una grande percentuale di falsi positivi. AstroNet-K2 ha molto successo nella classificazione di esopianeti e falsi positivi, con una precisione del 98% sul nostro set di test, affermano Dattilo e co.
Quando il team lo ha messo al lavoro sui dati rumorosi di K2, ha immediatamente scoperto due esopianeti. Tra dicembre 2016 e marzo 2017, Marte è passato attraverso il campo visivo di Keplero. Il pianeta rosso è particolarmente luminoso rispetto alle stelle sullo sfondo e quindi introduce tutti i tipi di luce e rumore diffusi, che mascherano le firme degli esopianeti.
Ma mentre questo confondeva gli astronomi umani, AstroNet-K2 ha rapidamente individuato le nuove firme dei nuovi esopianeti. Il primo è un pianeta gonfio delle dimensioni super-Terra con un involucro volatile in orbita attorno a una stella simile al sole ogni 13 giorni. Ha una temperatura superficiale di circa 750 °C.
Il secondo è un pianeta roccioso super-Terra anch'esso in orbita attorno a una stella simile al sole ma con un periodo di soli tre giorni. Quindi è molto più vicino e più caldo: circa 1.400 °C, abbastanza caldo da fondere l'alluminio.
Questa ricerca ha il potenziale per automatizzare gran parte del lavoro coinvolto nella caccia agli esopianeti. Un grande vantaggio è che la scoperta basata sulle macchine non soffre degli stessi tipi di pregiudizi che potrebbero mostrare gli esseri umani.
Quindi AstroNet-K2 può studiare diverse regioni della galassia esattamente allo stesso modo, osservando stelle che si sono formate in ambienti diversi. I risultati dovrebbero consentire agli astronomi di studiare come le popolazioni di esopianeti differiscono in queste aree.
AstroNet-K2 non è perfetto, ovviamente. Individua solo le firme di esopianeti che è stato addestrato a riconoscere e ignora qualsiasi cosa interessante che possa indicare nuove scoperte. Quindi ha ancora bisogno della supervisione umana.
Gli esseri umani sono bravi a riconoscere segnali insoliti che le macchine classificheranno erroneamente o non riconosceranno come interessanti, il che è fondamentale per scoprire sfaccettature interessanti e strane dell'universo, affermano Dattilo e co. Quindi gli astronomi non devono ancora iniziare a cercare nuovi lavori.
Rif: arxiv.org/abs/1903.10507 : Identificazione di esopianeti con il Deep Learning II: due nuove Super-Terre scoperte da una rete neurale nei dati del K2