Впервые машинным обучением подтверждены 50 новых планет

Впервые астрономы использовали процесс, основанный на машинном обучении, форме искусственного интеллекта, для анализа выборки потенциальных экзопланет и определения того, какие из них настоящие, а какие - «фальшивые» или ложные срабатывания, вычисляя вероятность каждой из них на роль кандидата в настоящей планеты.

Их результаты представлены в новом исследовании, опубликованном в Ежемесячных уведомлениях Королевского астрономического общества, где они также проводят первое крупномасштабное сравнение таких методов проверки планет. Их выводы позволяют использовать несколько методов проверки, в том числе их алгоритм машинного обучения, для статистического подтверждения будущих открытий экзопланет.

Многие исследования экзопланет ищут в огромных объемах данных телескопов признаки прохождения планет между телескопом и их звездой, известных как транзиты. Это приводит к явному падению света от звезды, которое обнаруживает телескоп, но это также может быть вызвано двойной звездной системой, помехами от объекта на заднем плане или даже небольшими ошибками в камере. Эти ложные срабатывания можно отсеять в процессе проверки.

Исследователи из Департамента физики и информатики Уорвика, а также Института Алана Тьюринга создали алгоритм, основанный на машинном обучении, который может отделять реальные планеты от поддельных в больших выборках из тысяч кандидатов, найденных с помощью таких миссий, как Кеплер и TESS.

Он был обучен распознавать настоящие планеты с использованием двух больших выборок подтвержденных планет и ложных срабатываний от уже завершившейся миссии Кеплер. Затем исследователи использовали алгоритм на наборе данных еще неподтвержденных планет-кандидатов от Кеплера, в результате чего было получено 50 новых подтвержденных планет, и первая из них была проверена с помощью машинного обучения. Предыдущие методы машинного обучения ранжировали кандидатов, но никогда не определяли вероятность того, что кандидат - то настоящая планета, что является необходимым шагом для проверки планеты.

Эти 50 планет варьируются от миров размером с Нептун до миров меньше, чем Земля, с орбитами от 200 до 1 дня. Подтвердив, что эти 50 планет реальны, астрономы теперь могут расставить приоритеты для дальнейших наблюдений с помощью специальных телескопов.

«Разработанный нами алгоритм позволяет пересечь порог для 50 кандидатов на проверку, сделав их настоящими планетами. Мы надеемся применить этот метод к большим выборкам кандидатов из текущих и будущих миссий, таких как TESS и PLATO. Что касается проверки планет, никто раньше не использовал технику машинного обучения. Машинное обучение использовалось для ранжирования планетных кандидатов, но никогда в вероятностной структуре, что необходимо для реальной проверки планеты. Вместо того, чтобы говорить, какие кандидаты с большей вероятностью будут планетами, теперь мы можем сказать, какова точная статистическая вероятность. Если вероятность того, что кандидат окажется ложноположительным, составляет менее 1%, это считается подтвержденной планетой», считает Дэвид Армстронг из Уорикского университета.

После создания и обучения алгоритм работает быстрее, чем существующие методы, и может быть полностью автоматизирован, что делает его идеальным для анализа тысяч потенциально планет-кандидатов, наблюдаемых в текущих исследованиях, таких как TESS. Исследователи утверждают, что это должен быть один из инструментов, который можно будет использовать для проверки планет в будущем.

Доктор Армстронг добавляет: «На сегодняшний день почти 30% известных планет прошли валидацию с использованием только одного метода, и это не идеально. Разработка новых методов валидации желательна только по этой причине. Но машинное обучение также позволяет делать это очень быстро и расставлять приоритеты кандидатов намного быстрее. Нам все еще нужно потратить время на обучение алгоритма, но как только это будет сделано, станет намного проще применять его к будущим кандидатам. Также мы сможем использовать новые открытия для постепенного улучшения. Согласно прогнозам, такой ообзор, как TESS, позволит получить десятки тысяч кандидатов в планеты, и это идеально, чтобы получить возможность анализировать их все последовательно. Быстрые, автоматизированные системы, как эта, которые могут довести нас до подтверждения планет за меньшее количество шагов, позволяют делать это эффективно».