Głębokie uczenie odkryło dwie egzoplanety, które przeoczyli astronomowie

Daniel Fabrycky | NASA

Poszukiwania planet krążących wokół innych gwiazd osiągnęły skalę przemysłową. Astronomowie odkryli ponad 4000 z nich, z czego ponad połowa korzystała z danych z Kosmicznego Teleskopu Keplera, orbitującego obserwatorium zaprojektowanego w tym celu.

Wystrzelony w 2009 roku, Kepler obserwował stałe pole widzenia przez wiele miesięcy, szukając drobnych okresowych zmian jasności gwiazd spowodowanych przez planety poruszające się przed nimi.

Jednak w 2012 roku misja wpadła w tarapaty, gdy jedno z czterech kół reakcyjnych statku kosmicznego uległo awarii. Koła te stabilizują statek, umożliwiając mu dokładne wskazywanie w określonym kierunku. W 2013 r. zawiodło drugie koło reakcji, narażając misję na niebezpieczeństwo.

Jako poprawkę inżynierowie opracowali sposób, aby uszkodzony statek kosmiczny mógł nadal gromadzić dane z mniejszą precyzją i większym hałasem. Nazwali tę część misji K2. Astronomowie nadal znajdowali nowe egzoplanety w danych z K2, ale w znacznie mniejszym tempie niż wcześniej.

To doprowadziło ich do interesującej możliwości. Jasne jest, że sygnatury egzoplanet nadal muszą być obecne, ale zostały pominięte z powodu dodatkowego hałasu. Gdyby ktoś mógł znaleźć sposób na systematyczne usuwanie tego szumu i badanie wynikających z niego sygnałów, wówczas brakujące egzoplanety mogłyby zostać ujawnione.

Oto Anne Dattilo i jej współpracownicy z University of Texas w Austin, którzy stworzyli sieć neuronową do głębokiego uczenia się o nazwie AstroNet-K2, która może samodzielnie przeprowadzić tę analizę danych. Naukowcy twierdzą, że radykalnie przyspiesza to proces eksploracji danych z K2, a nawet wykrył egzoplanety, które przeoczyli doświadczeni astronomowie.

Proces odkrywania egzoplanet składa się z kilku etapów. Najpierw astronomowie muszą wyodrębnić krzywe jasności dla każdej gwiazdy, pokazując jej jasność w czasie. Następnie badają każdą krzywą, aby zobaczyć, jak zmienia się w czasie.

Sieć neuronowa wykonuje dokładnie ten proces, a następnie filtruje zbiór danych. Na przykład, ponieważ egzoplanety są maleńkie w stosunku do swojej gwiazdy macierzystej, każda krzywa jasności z odchyleniem większym niż 3% jest określana jako układ podwójny gwiazd. Zmiany światła również muszą być okresowe, aby wskazać egzoplanetę, więc pojedyncze zmiany również mogą być ignorowane.

W ten sposób sieć neuronowa odfiltrowuje duży procent fałszywych alarmów. AstroNet-K2 odnosi duże sukcesy w klasyfikowaniu egzoplanet i wyników fałszywie dodatnich, z dokładnością 98% na naszym zestawie testowym, powiedzmy Dattilo i spółka.

Kiedy zespół zabrał go do pracy nad zaszumionymi danymi z K2, natychmiast odkrył dwie egzoplanety. Między grudniem 2016 a marcem 2017 Mars przeszedł przez pole widzenia Keplera. Czerwona Planeta jest szczególnie jasna w porównaniu z gwiazdami tła, a zatem wprowadza wszelkiego rodzaju rozproszone światło i hałas, które maskują sygnatury egzoplanet.

Ale podczas gdy to zdezorientowało ludzkich astronomów, AstroNet-K2 szybko zauważył nowe sygnatury egzoplanet. Pierwsza to opuchnięta planeta wielkości super Ziemi z lotną otoczką okrążającą gwiazdę podobną do Słońca co 13 dni. Ma temperaturę powierzchni około 750°C.

Druga to skalista super-Ziemia, również krążąca wokół gwiazdy podobnej do Słońca, ale z okresem zaledwie trzech dni. Jest więc znacznie bliżej i goręcej — około 1400°C, wystarczająco gorąco, by stopić aluminium.

Badania te mogą zautomatyzować większość prac związanych z polowaniem na egzoplanety. Jedną wielką zaletą jest to, że odkrycia oparte na maszynach nie cierpią z powodu tego samego rodzaju uprzedzeń, które mogą wykazywać ludzie.

AstroNet-K2 może więc badać różne regiony galaktyki w dokładnie ten sam sposób, przyglądając się gwiazdom, które powstały w różnych środowiskach. Wyniki powinny umożliwić astronomom zbadanie, jak populacje egzoplanet różnią się na tych obszarach.

Oczywiście AstroNet-K2 nie jest idealny. Dostrzega tylko sygnatury egzoplanet, które zostały wyszkolone do rozpoznawania i ignoruje wszystko, co ciekawe, co może wskazywać na nowe odkrycia. Więc nadal potrzebuje ludzkiego nadzoru.

Ludzie są dobrzy w rozpoznawaniu niezwykłych sygnałów, które maszyny błędnie zaklasyfikują lub nie rozpoznają jako interesujące, co ma kluczowe znaczenie dla odkrywania interesujących i dziwnych aspektów wszechświata, mówią Dattilo i spółka. Więc astronomowie nie muszą jeszcze szukać nowej pracy.

Nr ref.: arxiv.org/abs/1903.10507 : Identyfikacja egzoplanet za pomocą Deep Learning II: Dwie nowe superziemie odkryte przez sieć neuronową w danych K2

ukryć