Agencias / Ciudad de México.- Astrónomos británicos recurrieron por primera vez a la inteligencia artificial para identificar estrellas orbitadas por exoplanetas y realizaron 50 descubrimientos nuevos de golpe.
Estos especialistas lograron su avance gracias a un sistema de aprendizaje desarrollado por la Universidad de Warwick en colaboración con el Instituto Alan Turing (Inglaterra, Reino Unido), que analizó una enorme colección de datos tomados por varios telescopios descartando numerosos falsos positivos.
Un análisis preliminar midió la cantidad de luz emitida por cada estrella en una serie de imágenes consecutivas y se fijó en cuándo disminuía de manera temporal al interponerse un cuerpo celeste, aunque esos casos no siempre evidencian que el causante fuera un exoplaneta.
Los investigadores deben revisar cada situación y suelen hacer eso de manera manual, pero esta vez instruyeron a la máquina con una tanda antigua de exoplanetas confirmados y otra muestra de candidatos rechazados.
Al comparar ambas y los criterios de aprobación y rechazo, la inteligencia artificial aprendió a identificar los tránsitos orbitales así que, cuando le ofrecieron una tercera muestra con posibles casos de tránsito, seleccionó solo los que tenían menos de un 1 % de probabilidad de ser falsos positivos.
La inteligencia artificial confirma la existencia de 50 nuevos exoplanetas por primera vez. https://t.co/zoRyUmqAfD pic.twitter.com/ykRlzyoS5k
— Enrique Coperías (@CienciaDelCope) September 1, 2020
Potencial de la validación rápida
El grupo validado de esta manera se suma a los más de 4.000 exoplanetas ya reconocidos y el astrofísico David Armstrong opina que “no es ideal” que casi el 30 % de ellos se identificara “con un solo método”, así que estima “deseable” el desarrollo de nuevas maneras de validación y destaca que el aprendizaje automático trabaja muy rápido.
Armstrong escribió al respecto en el boletín Monthly Notices de la Real Sociedad Astronómica de Reino Unido junto con sus colegas de proyecto, un matemático y un informático, puesto que gran parte de la tarea consistía en elaborar un algoritmo para “validar miles de candidatos invisibles en segundos”.
“Todavía tenemos que dedicar tiempo a entrenar el algoritmo, pero una vez hecho esto, resulta mucho más fácil aplicarlo a futuros candidatos. También puedes incorporar nuevos descubrimientos para mejorarlo progresivamente.
“Se prevé que una encuesta como TESS tenga decenas de miles de candidatos planetarios y es ideal poder analizarlos a todos de forma coherente. Los sistemas rápidos y automatizados como este, que pueden llevarnos hasta planetas validados en menos pasos, nos permiten hacerlo de manera eficiente “.
Como los criterios de admisión eran muy restrictivos, la inteligencia artificial podría detectar muchos más exoplanetas en la misma muestra analizada.
Given the collection of already confirmed planets and known false positives, we trained multiple machine learning models and studied their behavior as compared to MCMC based validation models like VESPA. Many more details in the paper https://t.co/0DqQqRELkS 7/7
— Jev Gamper FREE BELARUS (@brutforcimag) August 26, 2020