La búsqueda de planetas que orbitan otras estrellas ha alcanzado la escala industrial. Hasta la fecha, los astrónomos han descubierto más de 4.000 exoplanetas, de los cuales más de la mitad se descubrió con datos del telescopio espacial Kepler, un observatorio espacial diseñado para este propósito.

Lanzado en 2009, Kepler mantuvo un campo de visión fijo durante meses, buscando los pequeños cambios periódicos en el brillo de las estrellas que generan cuando se ocultan detrás de un exoplaneta. Pero en 2012, la misión tuvo problemas cuando una de las cuatro ruedas de reacción de la nave espacial falló. Estas ruedas estabilizan la nave, lo que le permitía enfocar una mirada precisa en una dirección específica. En 2013, falló una segunda rueda de reacción, dejando la misión en peligro.

Para solucionarlo, los ingenieros idearon una forma de que la nave paralizada continuara recopilando datos con menos precisión y más ruido. Esta parte de la misión fue llamada K2 y ayudó a los astrónomos a seguir encontrando nuevos exoplanetas en sus datos, pero muchos menos que antes.

Eso llevó a una interesante conclusión. Claramente, las firmas de los exoplanetas todavía debían ser visibles, pero se estaban perdiendo por el ruido adicional. Si alguien pudiera encontrar alguna manera de eliminar este ruido y estudiar las señales resultantes, entonces podrían revelar los exoplanetas que no se estaban detectando.

Y eso es justo lo que ha creado la investigadora de la Universidad de Texas en Austin (EE.UU.) Anne Dattilo y su equipo. Los investigadores han entrenado a una red neuronal de aprendizaje profundo llamada AstroNet-K2 para que analice los datos por sí misma. Los investigadores aseguran que la inteligencia artificial (IA) acelera drásticamente el proceso de extracción de datos de K2 e incluso ha detectado dos exoplanetas que los astrónomos experimentados no habían visto.

El proceso de descubrir exoplanetas consta de varias etapas. Primero, los astrónomos deben extraer las curvas de luz para cada estrella, que refleja su brillo a lo largo del tiempo. Luego, analizan cada curva para ver cómo cambia con el tiempo.

La red neuronal lleva a cabo este proceso y luego filtra el conjunto de datos. Por ejemplo, como los exoplanetas son pequeños en relación con su estrella madre, cualquier curva de luz con una variación superior al 3 % se considera parte de un sistema de estrellas binarias. La variación de la luz también debe ser periódica para indicar la presencia de un exoplaneta, por lo que se pueden ignorar las variaciones individuales.

De esta manera, la red neuronal filtra un gran porcentaje de falsos positivos. "AstroNet-K2 es sumamente buena a la hora de clasificar exoplanetas y falsos positivos, con una precisión del 98 % en nuestro conjunto de pruebas", afirma la investigación.

Cuando el equipo lo puso en marcha con los ruidosos datos de K2, descubrió dos exoplanetas casi al instante. Entre diciembre de 2016 y marzo de 2017, Marte pasó por el campo de visión de Kepler. El planeta rojo es particularmente brillante en comparación con las estrellas de fondo, por lo que introduce todo tipo de luz y ruido dispersos, que enmascaran las firmas de los exoplanetas.

Pero mientras esto confundía a los astrónomos humanos, AstroNet-K2 detectó rápidamente las firmas de nuevos exoplanetas. El primero es un planeta "hinchado" de tamaño similar al de la Tierra y con una envoltura volátil con una órbita de 13 días alrededor de una estrella parecida al Sol. Tiene una temperatura superficial de unos 750 °C.

El segundo es un planeta rocoso terrestre extrasolar que también orbita una estrella parecida al Sol pero con un período de solo tres días. Por lo tanto, está mucho más cerca y es más caliente, con una temperatura superficial de unos 1.400 ° C, suficiente para derretir el aluminio.

Esta investigación tiene el potencial de automatizar gran parte de la caza de exoplanetas. Una gran ventaja es que el descubrimiento de una máquina no tiene los mismos sesgos que los humanos podrían tener. AstroNet-K2 puede estudiar diferentes zonas de la galaxia exactamente de la misma manera, mirando las estrellas que se han formado en distintos entornos. Los resultados deberían permitir a los astrónomos analizar las diferencias en las poblaciones de los exoplanetas en estas áreas.

Aunque, por supuesto, AstroNet-K2 no es perfecto. Solo detecta las firmas de los exoplanetas con las que fue entrenado e ignora cualquier cosa interesante que podría llevar a nuevos descubrimientos. Así que todavía necesita la supervisión humana.

La investigación concluye: "Los seres humanos son buenos para reconocer señales raras que las máquinas clasificarían mal o no reconocerían como interesantes, algo esencial para descubrir facetas curiosas y extrañas del universo". Así que todavía no hace falta que los astrónomos empiecen a buscar nuevos empleos.

Ref: arxiv.org/abs/1903.10507 : Identifying Exoplanets With Deep Learning II: Two New Super-Earths Uncovered by a Neural Network in K2 Data