Cincuenta planetas confirmados en primicia por aprendizaje automático

Por primera vez, un grupo de astrónomos ha utilizado un proceso basado en el aprendizaje automático, una forma de inteligencia artificial, para analizar una muestra de planetas potenciales y determinar cuáles son reales y cuáles son "falsos" o falsos positivos, calculando la probabilidad de cada candidato a ser un verdadero planeta.

Los resultados del nuevo estudio han sido publicados en Monthly Notices of the Royal Astronomical Society, donde también realizan la primera comparación a gran escala de tales técnicas de validación de planetas. Sus conclusiones justifican el uso de múltiples técnicas de validación, incluido su algoritmo de aprendizaje automático, al confirmar estadísticamente futuros descubrimientos de exoplanetas.

Muchos estudios de exoplanetas buscan entre grandes cantidades de datos de los telescopios las señales de los planetas que pasan entre el telescopio y su estrella, lo que se conoce como tránsito. Esto da como resultado una caída reveladora de la luz de la estrella que detecta el telescopio, pero también podría ser causada por un sistema estelar binario, interferencia de un objeto en el fondo o incluso pequeños errores en la cámara. Estos falsos positivos se pueden filtrar en un proceso de validación planetaria.

Investigadores de los Departamentos de Física y Ciencias de la Computación de Warwick, así como del Instituto Alan Turing, construyeron un algoritmo basado en el aprendizaje automático que puede separar los planetas reales de los falsos en las grandes muestras de miles de candidatos encontrados por misiones de telescopios como Kepler y TESS.

Este sistema de IA fue entrenado para reconocer planetas reales usando dos grandes muestras de planetas confirmados y falsos positivos de la misión Kepler ahora retirada. Luego, los investigadores utilizaron el algoritmo en un conjunto de datos de candidatos planetarios aún sin confirmar de Kepler, lo que dio como resultado 50 nuevos planetas confirmados validados por primera vez por aprendizaje automático. Las técnicas de aprendizaje automático anteriores clasificaron a los candidatos, pero nunca determinaron la probabilidad de que un candidato fuera un verdadero planeta por sí mismos, un paso necesario para la validación del planeta.

Esos 50 planetas van desde mundos tan grandes como Neptuno hasta más pequeños que la Tierra, con órbitas de hasta 200 días hasta tan solo un día. Al confirmar que estos 50 planetas son reales, los astrónomos ahora pueden priorizarlos para futuras observaciones con telescopios dedicados.

El doctor David Armstrong, del Departamento de Física de la Universidad de Warwick, explica en un comunicado: "El algoritmo que hemos desarrollado nos permite llevar 50 candidatos a través del umbral para la validación de planetas, actualizándolos a planetas reales. Esperamos aplicar esta técnica a grandes muestras de candidatos de misiones actuales y futuras como TESS y PLATO. En términos de validación de planetas, nadie ha utilizado una técnica de aprendizaje automático antes. El aprendizaje automático se ha utilizado para clasificar candidatos planetarios, pero nunca en un marco probabilístico, que es lo que necesita realmente validar un planeta. En lugar de decir qué candidatos tienen más probabilidades de ser planetas, ahora podemos decir cuál es la probabilidad estadística precisa. Cuando hay menos del 1% de probabilidad de que un candidato sea un falso positivo, se considera un planeta."

Una vez construido y entrenado, el algoritmo es más rápido que las técnicas existentes y puede automatizarse por completo, lo que lo hace ideal para analizar los miles de candidatos planetarios potencialmente observados en los datos actuales como los de TESS.

Los investigadores concluyen que su algoritmo de aprendizaje automático debería convertirse en una de las herramientas generalizadas para validar planetas en el futuro.