Vijftig potentiële planeten zijn bevestigd door een nieuw machine learning-algoritme dat is ontwikkeld door wetenschappers van de University of Warwick.

Voor de eerste keer, astronomen hebben een proces gebruikt dat gebaseerd is op machine learning, een vorm van kunstmatige intelligentie, om een ​​steekproef van potentiële planeten te analyseren en te bepalen welke echt zijn en welke "nep, " of valse positieven, het berekenen van de kans dat elke kandidaat een echte planeet is.

Hun resultaten worden gerapporteerd in een nieuwe studie gepubliceerd in de Maandelijkse mededelingen van de Royal Astronomical Society , waar ze ook de eerste grootschalige vergelijking van dergelijke planeetvalidatietechnieken uitvoeren. Hun conclusies pleiten voor het gebruik van meerdere validatietechnieken, inclusief hun machine learning-algoritme, bij het statistisch bevestigen van toekomstige ontdekkingen van exoplaneten.

Veel onderzoeken naar exoplaneten doorzoeken enorme hoeveelheden gegevens van telescopen naar de tekenen van planeten die tussen de telescoop en hun ster passeren, doorvoer genoemd. Dit resulteert in een veelbetekenende dip in het licht van de ster die de telescoop detecteert, maar het kan ook worden veroorzaakt door een dubbelstersysteem, interferentie van een object op de achtergrond, of zelfs kleine fouten in de camera. Deze valse positieven kunnen worden uitgezeefd in een planetair validatieproces.

Onderzoekers van de afdelingen Natuurkunde en Informatica van Warwick, evenals het Alan Turing Instituut, bouwde een op machine learning gebaseerd algoritme dat echte planeten kan onderscheiden van neppe in de grote steekproeven van duizenden kandidaten die zijn gevonden door telescoopmissies zoals NASA's Kepler en TESS.

Het werd getraind om echte planeten te herkennen met behulp van twee grote monsters van bevestigde planeten en valse positieven van de nu gepensioneerde Kepler-missie. De onderzoekers gebruikten het algoritme vervolgens op een dataset van nog onbevestigde planetaire kandidaten van Kepler, wat resulteert in 50 nieuwe bevestigde planeten en de eerste die zijn gevalideerd door machine learning. Eerdere machine learning-technieken hebben kandidaten gerangschikt, maar nooit de waarschijnlijkheid bepaald dat een kandidaat op zichzelf een echte planeet was, een vereiste stap voor planeetvalidatie.

Die 50 planeten variëren van werelden zo groot als Neptunus tot kleiner dan de aarde, met banen zo lang als 200 dagen tot zo weinig als een enkele dag. Door te bevestigen dat deze 50 planeten echt zijn, astronomen kunnen deze nu prioriteren voor verdere waarnemingen met speciale telescopen.

Dr. David Armstrong, van de afdeling Natuurkunde van de Universiteit van Warwick, zei:"Met het algoritme dat we hebben ontwikkeld, kunnen we 50 kandidaten over de drempel halen voor planeetvalidatie, upgraden naar echte planeten. We hopen deze techniek toe te passen op grote steekproeven van kandidaten van huidige en toekomstige missies zoals TESS en PLATO. In termen van planeetvalidatie, niemand heeft eerder een machine learning-techniek gebruikt. Machine learning is gebruikt voor het rangschikken van planetaire kandidaten, maar nooit in een probabilistisch kader, dat is wat je nodig hebt om een ​​planeet echt te valideren. In plaats van te zeggen welke kandidaten waarschijnlijk planeten zijn, we kunnen nu zeggen wat de precieze statistische waarschijnlijkheid is. Als er minder dan 1% kans is dat een kandidaat vals positief is, het wordt beschouwd als een gevalideerde planeet."

Dr. Theo Damoulas van de afdeling Computerwetenschappen van de Universiteit van Warwick, en adjunct-directeur, Data Centric Engineering en Turing Fellow bij het Alan Turing Institute, zei:"Probabilistische benaderingen van statistisch machinaal leren zijn met name geschikt voor een opwindend probleem als dit in de astrofysica, waarbij voorkennis - van experts als Dr. Armstrong - en kwantificering van onzekerheid in voorspellingen nodig is. Een goed voorbeeld wanneer de extra rekenkundige complexiteit van probabilistische methoden loont aanzienlijk."

Eenmaal gebouwd en getraind is het algoritme sneller dan bestaande technieken en kan het volledig worden geautomatiseerd, waardoor het ideaal is voor het analyseren van de potentieel duizenden planetaire kandidaten die zijn waargenomen in huidige onderzoeken zoals TESS. De onderzoekers stellen dat het een van de instrumenten zou moeten zijn die in de toekomst collectief moeten worden gebruikt om planeten te valideren.

Dr. Armstrong voegt toe:"Bijna 30% van de tot nu toe bekende planeten is gevalideerd met slechts één methode, en dat is niet ideaal. Alleen al om die reden is het ontwikkelen van nieuwe methoden voor validatie wenselijk. Maar met machine learning kunnen we het ook heel snel doen en kandidaten veel sneller prioriteren. We moeten nog tijd besteden aan het trainen van het algoritme, maar als dat eenmaal is gebeurd, wordt het veel gemakkelijker om het toe te passen op toekomstige kandidaten. U kunt ook nieuwe ontdekkingen opnemen om deze geleidelijk te verbeteren. Er wordt voorspeld dat een enquête als TESS tienduizenden planetaire kandidaten zal hebben en het is ideaal om ze allemaal consistent te kunnen analyseren. Snel, geautomatiseerde systemen zoals deze die ons in minder stappen helemaal naar gevalideerde planeten kunnen brengen, laten ons dat efficiënt doen."