Om erachter te komen hoe planeten ontstaan, astrofysici voeren ingewikkelde en tijdrovende computerberekeningen uit. Leden van de NCCR PlanetS van de Universiteit van Bern hebben nu een totaal nieuwe aanpak ontwikkeld om dit proces drastisch te versnellen. Ze gebruiken deep learning op basis van kunstmatige neurale netwerken, een methode die goed bekend is in beeldherkenning.

Planeten groeien in stellaire schijven, aangroei van vast materiaal en gas. Of ze lichamen zoals de aarde of Jupiter worden, hangt af van verschillende factoren, zoals de eigenschappen van de vaste stoffen, de druk en temperatuur in de schijf en het reeds opgehoopte materiaal. Met computermodellen proberen de astrofysici het groeiproces te simuleren en de inwendige planetaire structuur te bepalen. Voor gegeven randvoorwaarden berekenen ze de massa's van de gasomhulling van een planeet. "Dit vereist het oplossen van een reeks differentiaalvergelijkingen, " legt Yann Alibert uit, science officer van de NCCR PlanetS aan de Universiteit van Bern:"Het oplossen van deze vergelijkingen is de afgelopen 15 jaar een specialiteit geweest van de astrofysici hier in Bern, maar het is een ingewikkeld en tijdrovend proces."

Om de berekeningen te versnellen, hebben Yann Alibert en PlanetS-medewerker Julia Venturini van het International Space Science Institute (ISSI) in Bern een methode gebruikt die al veel andere gebieden heeft veroverd, inclusief smartphone ontwikkeling:deep learning. Het is, bijvoorbeeld, gebruikt voor gezichts- en beeldherkenning. Maar deze tak van kunstmatige intelligentie en machine learning heeft ook de automatische taalvertaling verbeterd en is cruciaal voor zelfrijdende auto's. "Ook in de astronomie is er een grote hype, ", zegt Alibert. "Machine learning is al gebruikt om observaties te analyseren, maar bij mijn weten we zijn de eersten die deep learning voor een dergelijk doel gebruiken." Alibert en Venturini publiceren hun resultaten in het tijdschrift Astronomie en astrofysica ( A&A ).

Database van miljoenen planeten

Eerst, de onderzoekers moesten een database maken. Ze berekenden miljoenen mogelijke inwendige structuren van planeten. "Het kostte ons drie weken om al deze testgevallen te berekenen met behulp van een code ontwikkeld door Julia Venturini tijdens haar doctoraat in Bern, ", zegt Alibert. De volgende stap was om de architectuur van een kunstmatig neuraal netwerk te bepalen, een set algoritmen die invoergegevens door wiskundige bewerkingen doorgeeft en het vermogen heeft om te leren zonder expliciet geprogrammeerd te zijn. "Vervolgens, we hebben dit netwerk getraind met behulp van onze gigantische database, " zegt de astrofysicus. "Nu, ons netwerk is in staat om de massa van een planeet te voorspellen die onder bepaalde omstandigheden wordt gevormd met een zeer goede nauwkeurigheid en enorm sneller dan het oplossen van de differentiaalvergelijkingen."

Het diepgaande leerproces is veel nauwkeuriger dan eerder ontwikkelde methoden om de oplossing van differentiaalvergelijkingen te vervangen door enkele analytische formules. Deze analytische formules zouden kunnen voorspellen dat een planeet zou moeten groeien tot de massa van Jupiter, terwijl het in werkelijkheid niet meer massa kan hebben dan Neptunus. "We laten zien dat onze diepe neurale netwerken een zeer goede benadering bieden op het niveau van procenten, " vat Alibert samen. De onderzoekers geven hun resultaten op het softwareontwikkelingsplatform GitHub, zodat collega's die over de hele wereld in planeetvorming werken hiervan profiteren.