El aprendizaje automático revela la existencia de nuevos exoplanetas

En los últimos años la búsqueda de planetas susceptibles de albergar vida ha cobrado peso en la exploración espacial, y muchas instituciones académicas están trabajando en este campo, aportando mejoras al estudio de los datos que recogen los telescopios espaciales. Un ejemplo es el trabajo realizado por los astrónomos y los informáticos de la Universidad de Warwick, en colaboración con el Instituto Alan Turing, que se basa en aplicar técnicas de aprendizaje automático al análisis de estos datos. Empleando las técnicas convencionales, este trabajo lleva mucho tiempo y en muchas ocasiones da como resultado numerosos falsos positivos, que ralentizan el proceso de encontrar exoplanetas.

El proyecto de la Universidad de Warwick aplica las capacidades de IA y ML para estudiar esta información, compuesta por miles de posibles candidatos, y descartar esos falsos positivos. Esto permite a los investigadores centrarse en los puntos del espacio en los que verdaderamente hay más probabilidades de encontrar un planeta. Y, recientemente, sus responsables han anunciado el descubrimiento de 50 posibles exoplanetas.

Otra de las ventajas de este algoritmo con respecto a los sistemas preexistentes es que su precisión puede mejorar con la experiencia, como sucede habitualmente con otros sistemas de machine learning. Como explican en su anuncio oficial, el algoritmo ha sido entrenado para reconocer lo que podrían ser planetas reales utilizando dos grandes muestras de planetas confirmados y falsos positivos de la misión Kepler, ya inoperativa. Después, aplicaron lo aprendido al resto de datos aún si estudiar recogidos por esta sonda, revelando cincuenta posibles planetas.

Esto supone un paso más allá en la aplicación dl aprendizaje automático a la búsqueda de exoplanetas, que hasta ahora solo se usaba para proponer candidatos, y no para validarlos como planetas reales. Entre estos nuevos planetas hay una amplia variedad de tamaños, y se han identificado órbitas planetarias de entre 1 y 200 días de duración. Tras este paso, los científicos podrán centrarse en investigar estos planetas en conceto, dirigiendo sus esfuerzos a lugares con posibilidades de éxito.

Según explica el Dr. David Armstrong, del Departamento de Física de la Universidad de Warwick, “el algoritmo que hemos desarrollado nos ha permitido revelar cincuenta candidatos para la validación de planetas, elevándolos a la categoría de planetas reales. Esperamos aplicar esta técnica a grandes muestras de candidatos de misiones actuales y futuras como TESS y PLATO”. Y comenta que “en términos de validación planetaria, nadie ha utilizado antes una técnica de aprendizaje automático”.

Explica que, hasta ahora, “el aprendizaje automático se ha utilizado para clasificar candidatos planetarios, pero nunca en un marco probabilístico, que es lo que se necesita para validar realmente un planeta. En lugar de decir qué candidatos tienen más probabilidades de ser planetas, ahora podemos decir cuál es la probabilidad estadística precisa. Cuando hay menos del 1% de posibilidades de que un candidato sea un falso positivo, se considera un planeta validado”.

Por su parte, el Dr. Theo Damoulas, del Departamento de Ciencias de la Computación de la Universidad de Warwick, subdirector de ingeniería centrada en datos y miembro del Instituto Alan Turing, dijo que “los enfoques probabilísticos del aprendizaje automático estadístico son especialmente adecuados para un problema de astrofísica tan emocionante como este, que requiere la incorporación de conocimientos previos, de expertos como el Dr. Armstrong, y la cuantificación de la incertidumbre en las predicciones. Un excelente ejemplo de cómo se amortiza significativamente la complejidad computacional adicional que requieren los métodos probabilísticos”.