Existência de mais 50 exoplanetas é confirmada contando com machine learning

Por Danielle Cassita | 25 de Agosto de 2020 às 22h30
ESA/Hubble/NASA

Cientistas da Universidade de Warwick e do Instituto Alan Turing conseguiram confirmar a existência de 50 exoplanetas em uma grande amostra de candidatos. Isso foi possível graças a técnicas de machine learning, usadas pela primeira vez com esta finalidade. Os resultados do estudo foram publicados na revista Monthly Notices of the Royal Astronomical Society.

O algoritmo usado pela equipe é capaz de diferenciar planetas reais de falsos em amostras de dados compostas por milhares de candidatos. Então, para treiná-lo para reconhecer planetas reais, os pesquisadores utilizaram amostras de planetas confirmados e de falsos positivos da missão do telescópio espacial Kepler. Depois, para colocá-lo em prática, o algoritmo foi utilizado em uma base de dados de candidatos ainda não confirmados, o que resultou nos cinquenta planetas confirmados. Até então, as técnicas do tipo só haviam selecionado os candidatos, mas ainda não haviam determinado sozinhas a probabilidade de um candidato ser realmente um planeta. Assim, ao confirmar que os cinquenta planetas são reais, os astrônomos vão poder priorizá-los em observações futuras.

Exoplanetas são planetas que orbitam outras estrelas além do Sol (Imagem: Reprodução/NASA/JPL-Caltech)

Esses cinquenta planetas vão desde mundos menores do que a Terra a mundos maiores que Netuno, com órbitas que também variam bastante. O Dr. David Armstrong, professor que atuou no estudo, explica que o algoritmo os permitiu selecionar cinquenta candidatos além do limite para a validação planetária, que foram promovidos a "planetas reais". "Esperamos aplicar essa técnica a amostras maiores de candidatos de missões atuais e futuras, como TESS e PLATO”, comenta. Armstrong ressalta que ninguém jamais utilizou técnicas de machine learning para probabilidades, algo necessário para validar um planeta. “Agora, podemos dar a probabilidade estatística real; mesmo que haja menos de 1% de chance de um candidato ser um falso positivo, ele ainda é um planeta validado”.

Geralmente, os exoplanetas são buscados através de quantidades enormes de dados obtidos com telescópios. Nestes, os astrônomos procuram o trânsito planetário, que indica que um planeta passou entre o telescópio e a estrela observada, tudo graças a uma pequena variação na luz dela. O problema é que esse não é um indício tão preciso, já que essa variação pode ser causada por outras interferências, além de erros na câmera. Por isso é necessário realizar a validação planetária, pois este é o momento de excluir possíveis falsos positivos.

Para Armstrong, as técnicas de machine learning permitem validar os planetas e priorizar candidatos mais rapidamente. Claro que eles precisaram de certo tempo para treinar o algoritmo, mas, depois que isso é feito, fica muito mais fácil utilizar a técnica para candidatos futuros. “Sistemas rápidos e automatizados como esse, que podem nos levar aos planetas validados em menos etapas, nos permitem fazer isso com eficiência”. Para a equipe, essa ferramenta deveria ser utilizada coletivamente para validar exoplanetas no futuro.

Fonte: Warwick

Gostou dessa matéria?

Inscreva seu email no Canaltech para receber atualizações diárias com as últimas notícias do mundo da tecnologia.