50 nye planeter bekræftet i maskinlæring først

Halvtreds potentielle planeter er blevet bekræftet af en ny maskinlæringsalgoritme udviklet af videnskabsmænd fra University of Warwick.

For første gang, astronomer har brugt en proces baseret på maskinlæring, en form for kunstig intelligens, at analysere en prøve af potentielle planeter og bestemme, hvilke der er rigtige, og hvilke der er "falske, " eller falske positiver, beregner sandsynligheden for, at hver kandidat er en sand planet.

Deres resultater er rapporteret i en ny undersøgelse offentliggjort i Månedlige meddelelser fra Royal Astronomical Society , hvor de også udfører den første sammenligning i stor skala af sådanne planetvalideringsteknikker. Deres konklusioner taler for at bruge flere valideringsteknikker, inklusive deres maskinlæringsalgoritme, når man statistisk bekræfter fremtidige exoplanetopdagelser.

Mange exoplanetundersøgelser søger gennem enorme mængder data fra teleskoper efter tegn på planeter, der passerer mellem teleskopet og deres stjerne, kendt som transit. Dette resulterer i et afslørende dyk i lyset fra stjernen, som teleskopet registrerer, men det kan også være forårsaget af et binært stjernesystem, interferens fra et objekt i baggrunden, eller endda små fejl i kameraet. Disse falske positiver kan sigtes fra i en planetarisk valideringsproces.

Forskere fra Warwicks afdelinger for fysik og datalogi, samt Alan Turing Institute, bygget en maskinlæringsbaseret algoritme, der kan adskille rigtige planeter fra falske i de store prøver af tusindvis af kandidater fundet af teleskopmissioner såsom NASAs Kepler og TESS.

Den blev trænet til at genkende rigtige planeter ved hjælp af to store prøver af bekræftede planeter og falske positiver fra den nu pensionerede Kepler-mission. Forskerne brugte derefter algoritmen på et datasæt af stadig ubekræftede planetariske kandidater fra Kepler, resulterede i 50 nye bekræftede planeter og de første, der blev valideret ved maskinlæring. Tidligere maskinlæringsteknikker har rangeret kandidater, men aldrig bestemt sandsynligheden for, at en kandidat var en sand planet i sig selv, et påkrævet trin til planetvalidering.

Disse 50 planeter spænder fra verdener så store som Neptun til mindre end Jorden, med kredsløb så længe som 200 dage til så lidt som en enkelt dag. Ved at bekræfte, at disse 50 planeter er ægte, astronomer kan nu prioritere disse til yderligere observationer med dedikerede teleskoper.

Dr. David Armstrong, fra University of Warwick Department of Physics, sagde:"Den algoritme, vi har udviklet, lader os tage 50 kandidater over tærsklen for planetvalidering, opgradere dem til rigtige planeter. Vi håber at kunne anvende denne teknik på store prøver af kandidater fra nuværende og fremtidige missioner som TESS og PLATO. Med hensyn til planetvalidering, ingen har brugt en maskinlæringsteknik før. Maskinlæring er blevet brugt til at rangere planetariske kandidater, men aldrig i en sandsynlig ramme, hvilket er, hvad du behøver for virkelig at validere en planet. I stedet for at sige, hvilke kandidater der er mere tilbøjelige til at være planeter, vi kan nu sige, hvad den præcise statistiske sandsynlighed er. Hvor der er mindre end 1 % chance for, at en kandidat er en falsk positiv, det betragtes som en valideret planet."

Dr. Theo Damoulas fra University of Warwick Department of Computer Science, og vicedirektør, Data Centric Engineering og Turing Fellow ved Alan Turing Institute, sagde:"Probabilistiske tilgange til statistisk maskinlæring er særligt velegnede til et spændende problem som dette inden for astrofysik, der kræver inkorporering af forudgående viden - fra eksperter som Dr. Armstrong - og kvantificering af usikkerhed i forudsigelser. Et godt eksempel, når den yderligere beregningsmæssige kompleksitet af probabilistiske metoder betaler sig betydeligt."

Når først den er bygget og trænet, er algoritmen hurtigere end eksisterende teknikker og kan automatiseres fuldstændigt, hvilket gør den ideel til at analysere de potentielt tusindvis af planetariske kandidater observeret i aktuelle undersøgelser som TESS. Forskerne argumenterer for, at det burde være et af værktøjerne, der i fællesskab skal bruges til at validere planeter i fremtiden.

Dr. Armstrong tilføjer:"Næsten 30% af de kendte planeter til dato er blevet valideret ved hjælp af kun én metode, og det er ikke ideelt. Alene af den grund er det ønskeligt at udvikle nye metoder til validering. Men maskinlæring lader os også gøre det meget hurtigt og prioritere kandidater meget hurtigere. Vi skal stadig bruge tid på at træne algoritmen, men når det er gjort, bliver det meget nemmere at anvende det på fremtidige kandidater. Du kan også inkorporere nye opdagelser for gradvist at forbedre det. En undersøgelse som TESS forventes at have titusindvis af planetariske kandidater, og det er ideelt at kunne analysere dem alle konsekvent. Hurtig, automatiserede systemer som dette, der kan tage os hele vejen til validerede planeter i færre trin, lader os gøre det effektivt."