211service.com
Deep learning har funnet to eksoplaneter som menneskelige astronomer savnet
Daniel Fabrycky | NASA
Jakten på planeter i bane rundt andre stjerner har nådd industriell skala. Astronomer har oppdaget over 4000 av dem, mer enn halvparten ved hjelp av data fra Kepler-romteleskopet, et kretsobservatorium designet for dette formålet.
Kepler ble lansert i 2009 og observerte et fast synsfelt i mange måneder, på jakt etter de små periodiske endringene i stjerners lysstyrke forårsaket av planeter som beveget seg foran dem.
Men i 2012 fikk oppdraget problemer da et av romfartøyets fire reaksjonshjul sviktet. Disse hjulene stabiliserer fartøyet, slik at det kan peke nøyaktig i en bestemt retning. I 2013 sviktet et andre reaksjonshjul, noe som satte oppdraget i fare.
Som en løsning utviklet ingeniører en måte for det forkrøplede romfartøyet å fortsette å samle data med mindre presisjon og mer støy. De kalte denne delen av oppdraget K2. Astronomer fortsatte å finne nye eksoplaneter i K2-dataene, men med mye lavere hastighet enn før.
Det førte dem til en interessant mulighet. Det er klart at eksoplanetsignaturene fortsatt må være til stede, men ble savnet på grunn av den ekstra støyen. Hvis noen kunne finne en måte å systematisk fjerne denne støyen og studere de resulterende signalene, kan de savnede eksoplanetene bli avslørt.
Skriv inn Anne Dattilo og kolleger ved University of Texas i Austin, som har laget et dypt-lærende nevralt nettverk kalt AstroNet-K2 som kan utføre denne dataanalysen for seg selv. Forskerne sier at det dramatisk fremskynder prosessen med å utvinne K2-dataene og har til og med oppdaget eksoplaneter som erfarne astronomer hadde gått glipp av.
Prosessen med å oppdage eksoplaneter involverer flere stadier. Først må astronomer trekke ut lyskurvene for hver stjerne, og vise dens lysstyrke over tid. Deretter studerer de hver kurve for å se hvordan den endrer seg over tid.
Det nevrale nettverket utfører akkurat denne prosessen og filtrerer deretter datasettet. For eksempel, fordi eksoplaneter er små i forhold til foreldrestjernen, blir enhver lyskurve med en variasjon større enn 3 % merket som et binært stjernesystem. Variasjonen i lys må også være periodisk for å indikere en eksoplanet, så enkeltvariasjoner kan også ignoreres.
På denne måten filtrerer det nevrale nettverket ut en stor prosentandel av falske positive. AstroNet-K2 er svært vellykket med å klassifisere eksoplaneter og falske positive, med en nøyaktighet på 98 % på testsettet vårt, sier Dattilo og co.
Da teamet satte det i gang med de støyende K2-dataene, oppdaget det umiddelbart to eksoplaneter. Mellom desember 2016 og mars 2017 passerte Mars gjennom Keplers synsfelt. Den røde planeten er spesielt lyssterk sammenlignet med bakgrunnsstjernene og introduserer derfor all slags spredt lys og støy, som maskerer eksoplanets signaturer.
Men mens dette forvirret menneskelige astronomer, oppdaget AstroNet-K2 raskt de nye eksoplanetsignaturene. Den første er en oppblåst planet i superjordstørrelse med en flyktig konvolutt som kretser rundt en sollignende stjerne hver 13. dag. Den har en overflatetemperatur på rundt 750 °C.
Den andre er en steinete superjordplanet som også kretser rundt en sollignende stjerne, men med en periode på bare tre dager. Så det er mye nærmere og varmere – omtrent 1400 °C, varmt nok til å smelte aluminium.
Denne forskningen har potensial til å automatisere mye av arbeidet med eksoplanetjakt. En stor fordel er at maskinbasert oppdagelse ikke lider av de samme slags skjevheter som mennesker kan vise.
Så AstroNet-K2 kan studere forskjellige områder av galaksen på nøyaktig samme måte, ved å se på stjerner som har dannet seg i forskjellige miljøer. Resultatene skulle tillate astronomer å studere hvordan eksoplanetpopulasjoner er forskjellige i disse områdene.
AstroNet-K2 er ikke perfekt, selvfølgelig. Den oppdager bare eksoplanetsignaturer som den har blitt opplært til å gjenkjenne og ignorerer alt interessant som kan peke på nye funn. Så det trenger fortsatt menneskelig tilsyn.
Mennesker er flinke til å gjenkjenne uvanlige signaler som maskiner vil feilklassifisere eller ikke gjenkjenne som interessante, noe som er avgjørende for å oppdage interessante og rare fasetter av universet, sier Dattilo og co. Så astronomer trenger ikke begynne å lete etter nye jobber ennå.
Ref: arxiv.org/abs/1903.10507 : Identifisering av eksoplaneter med dyp læring II: To nye superjordar avdekket av et nevralt nettverk i K2-data