Top thingy left
 
CONFIRMADOS CINQUENTA NOVOS PLANETAS ATRAVÉS DE APRENDIZAGEM DE MÁQUINA
28 de agosto de 2020

 


Ilustração de um exoplaneta.
Crédito: Centro de Voo Espacial Goddard da NASA/Chris Smith

 

Cinquenta potenciais planetas tiveram a sua existência confirmada por um novo algoritmo de aprendizagem de máquina desenvolvido por cientistas da Universidade de Warwick.

Pela primeira vez, os astrónomos usaram um processo baseado na aprendizagem de máquina, uma forma de inteligência artificial, para analisar uma amostra de potenciais planetas e determinar quais os reais e quais os "falsos", ou falsos positivos, calculando a probabilidade de cada candidato ser um planeta verdadeiro.

Os seus resultados foram relatados num novo estudo publicado na revista Monthly Notices of the Royal Astronomical Society, onde também realizam a primeira comparação em larga escala de tais técnicas de validação planetária. As suas conclusões justificam a utilização de várias técnicas de validação, incluindo o seu algoritmo de aprendizagem de máquina para confirmar estatisticamente futuras descobertas exoplanetárias.

Muitos levantamentos de exoplanetas vasculham enormes quantidades de dados de telescópios em busca de sinais de planetas que passam entre o telescópio e a sua estrela, eventos conhecidos como trânsitos. Isto resulta numa queda reveladora na luz estelar que o telescópio deteta, mas também pode ser provocada por um sistema estelar binário, interferência de um objeto de fundo ou mesmo pequenos erros na câmara. Estes falsos positivos têm que ser "peneirados" num processo de validação planetária.

Investigadores dos Departamentos de Física e Ciência da Computação da Universidade de Warwick, bem como do Instituto Alan Turing, construíram um algoritmo baseado em aprendizagem de máquina que pode separar planetas reais de planetas falsos em grandes amostras de milhares de candidatos encontrados por missões de telescópios como o Kepler ou TESS da NASA.

O algoritmo foi treinado para reconhecer planetas reais usando duas grandes amostras de planetas confirmados e de falsos positivos da agora aposentada missão Kepler. Os investigadores usaram então o algoritmo com um conjunto de dados de candidatos planetários ainda não confirmados do Kepler, resultando em cinquenta novos planetas confirmados e no primeiro a ser validado por aprendizagem de máquina. As técnicas anteriores de aprendizagem de máquina classificaram os candidatos, mas nunca determinaram a probabilidade de um candidato ser um planeta verdadeiro por si só, uma etapa necessária para a validação do planeta.

Estes cinquenta planetas variam de mundos tão grandes quanto Neptuno a mais pequenos que a Terra, com órbitas de 200 dias a apenas um dia. Ao confirmar que estes cinquenta planetas são reais, os astrónomos podem agora estabelecer prioridades para futuras observações com telescópios dedicados.

O Dr. David Armstrong, do Departamento de Física da Universidade de Warwick, disse: "O algoritmo que desenvolvemos permite-nos levar cinquenta candidatos além do limite para a validação de planetas, atualizando-os para o estatuto de planeta real. Esperamos aplicar esta técnica a grandes amostras de candidatos de missões atuais e futuras, como o TESS e PLATO.

"Em termos de validação de planeta, ninguém havia usado uma técnica de aprendizagem de máquina antes. A aprendizagem de máquina tem sido usada para classificar candidatos planetários, mas nunca numa estrutura probabilística, que é o que realmente precisamos para validar um planeta. Em vez de dizer quais os candidatos mais prováveis de serem planetas, podemos agora dizer qual é a probabilidade estatística precisa. Onde existir menos de 1% de hipótese de um candidato ser um falso positivo, é considerado um planeta validado."

O Dr. Theo Damoulas do Departamento de Ciência da Computação da Universidade de Warwick e vice-diretor do Instituto Alan Turing, salientou: "As abordagens probabilísticas para a estatística de aprendizagem de máquina são especialmente adequadas para um problema excitante como este na astrofísica que requer a incorporação de conhecimento prévio - de especialistas como o Dr. Armstrong - e a quantificação da incerteza nas previsões. Um excelente exemplo quando a complexidade computacional adicional de métodos probabilísticos compensa significativamente."

Depois de construído e treinado, o algoritmo é mais rápido do que as técnicas existentes e pode ser totalmente automatizado, tornando-o ideal para analisar os potenciais milhares de candidatos planetários observados em levantamentos atuais como o do TESS. Os investigadores argumentam que deverá ser uma das ferramentas usadas coletivamente para validar planetas no futuro.

O Dr. Armstrong acrescenta: "Quase 30% dos planetas conhecidos até agora foram validados usando apenas um método, e isso não é ideal. O desenvolvimento de novos métodos de validação é desejável somente por esse motivo. Mas a aprendizagem de máquina também nos permite fazer isso rapidamente e priorizar os candidatos com muito mais rapidez.

"Ainda temos que gastar tempo a treinar o algoritmo, mas depois disso ser feito, será muito mais fácil aplicá-lo a futuros candidatos. Também podemos incorporar novas descobertas para melhorá-lo progressivamente.

"Prevê-se que um levantamento como o TESS tenha dezenas de milhares de candidatos exoplanetários e é ideal ser capaz de os analisar todos de forma consistente. Sistemas rápidos e automatizados como este, que podem levar-nos até planetas validados em menos etapas, permitem-nos fazer isso de forma eficiente."

 


comments powered by Disqus

 


Quando um planeta passa em frente da estrela, a partir da perspetiva da Terra, vemos a estrela diminuir ligeiramente de brilho porque o planeta tapa uma pequena parte. A medição destas quedas de brilho estelar é uma técnica conhecida como "método de trânsito", que os cientistas usam para identificar exoplanetas. Os cientistas fazem um gráfico chamado "curva de luz" que mostra o brilho da estrela ao longo do tempo. Usando este gráfico, os cientistas podem ver que percentagem da luz estelar o planeta tapa e quanto tempo o planeta demora a atravessar o disco da estrela, informações que os ajudam a estimar a distância do planeta à estrela e a sua massa.
Crédito: Centro de Voo Espacial Goddard da NASA


// Universidade de Warwick (comunicado de imprensa)
// Artigo científico (Monthly Notices of the Royal Astronomical Society)
// Artigo científico (arXiv.org)

Saiba mais

Notícias relacionadas:
EurekAlert!
PHYSORG
Forbes

Aprendizagem de máquina:
Wikipedia

Exoplanetas:
Wikipedia
Lista de planetas (Wikipedia)
Lista de exoplanetas potencialmente habitáveis (Wikipedia)
Lista de extremos (Wikipedia)
Open Exoplanet Catalogue
PlanetQuest
Enciclopédia dos Planetas Extrasolares

Telescópio Espacial Kepler:
NASA (página oficial)
K2 (NASA)
Arquivo de dados do Kepler
Arquivo de dados da missão K2
Wikipedia

TESS (Transiting Exoplanet Survey Satellite):
NASA
NASA/Goddard
Programa de Investigadores do TESS (HEASARC da NASA)
MAST (Arquivo Mikulski para Telescópios Espaciais)
Exoplanetas descobertos pelo TESS (NASA Exoplanet Archive)
Wikipedia

PLATO:
ESA
Wikipedia

 
Top Thingy Right