AI slår astronomer i at forudsige eksoplaneteres overlevelse

Kunstig intelligens giver forskere nyt håb om at studere planternes beboelighed, i en undersøgelse fra astronomerne Chris Lam og David Kipping. Deres arbejde ser på såkaldte "Tatooines, "og bruger maskinindlæringsteknikker til at beregne, hvor sandsynlige sådanne planeter er for at overleve i stabile kredsløb. Undersøgelsen er offentliggjort i tidsskriftet Månedlige meddelelser fra Royal Astronomical Society .

Cirkulære planeter er de planeter, der kredser om to stjerner i stedet for kun en, meget gerne den fiktive planet Tatooine i Star Wars -serien. Titusener af disse planeter er hidtil blevet opdaget, men det kan være svært at finde ud af, om de kan være beboelige eller ej.

At bevæge sig rundt om to stjerner i stedet for kun en kan føre til store ændringer i en planets kredsløb, hvilket betyder, at det ofte enten skubbes helt ud af systemet, eller det styrter voldsomt ind i en af ​​sine tvillingestjerner. Traditionelle metoder til at beregne, hvilke af disse der sker for en given planet, bliver betydeligt mere komplicerede, så snart den ekstra stjerne kastes i blandingen.

"Da vi simulerede millioner af mulige planeter med forskellige baner ved hjælp af traditionelle metoder, vi fandt ud af, at planeter blev forudsagt som stabile, som tydeligvis ikke var, og omvendt, "forklarer Lam, hovedforfatter af undersøgelsen og en nyuddannet kandidat fra Columbia University.

Planeter skal overleve i milliarder af år for at livet kan udvikle sig, så at finde ud af, om kredsløb er stabile eller ej, er et vigtigt spørgsmål for beboelighed. Det nye arbejde viser, hvordan maskinlæring kan foretage nøjagtige forudsigelser, selvom standardmetoden - baseret på Newtons tyngdekraft- og bevægelseslove - bryder sammen.

"Klassificering med mange komplekse, indbyrdes forbundne parametre er det perfekte problem for maskinlæring, "siger professor Kipping, vejleder for arbejdet.

Efter at have skabt ti millioner hypotetiske tatoveringer med forskellige baner, og simulerer hver enkelt for at teste for stabilitet, dette enorme træningssæt blev ført ind i deep learning -netværket. Inden for få timer, netværket var i stand til at udføre nøjagtigheden af ​​standardmetoden.

Flere cirkumbinære planeter ser ud til at blive opdaget af NASA's Transiting Exoplanet Survey Satellite (TESS) mission, og Lam forventer, at deres arbejde hjælper:"Vores model hjælper astronomer med at vide, hvilke regioner der er bedst til at søge efter planeter omkring binære stjerner. Dette vil forhåbentlig hjælpe os med at opdage nye exoplaneter og bedre forstå deres egenskaber."