Aprendizado de máquina pode ajudar a identificar vida em exoplanetas

0
45

Já estão confirmados cinco mil sistemas de sistemas, com outros mais de 8,7 mil escolhidos e confirmados para confirmação em 8,7 mil. Com mundos para estudo e diante das vezes mais importantes melhorias na sensibilidade dos atribuições e na análise de dados, o foco sai da descoberta e passagem para a identidade / caracterização desses corpos.

Simulação artística de um sistema multiplanetário onde três planetas estão em trânsito. Crédito: Nasa

Ou seja, quase tão ou ainda mais importante do que saber que esses planetas existem é examiná-los para identificar mundos “potencialmente habitáveis”, em busca de possíveis “bioassinaturas”. Isso se refere às características marcantes associadas à vida e aos processos biológicos, sendo uma das mais importantes deles a água.

publicidade

Como o único solvente sem ser conhecido como qual a vida (como a conhecida) não pode existir, a água é considerada uma referência para encontrar a vida. Em um estudo recente, os astrofísicos Dang Pham e Lisa Kaltenegger explicam como futuras pesquisas (quando combinadas com aprendizado de máquina) podem discernir a presença de água, neve e nuvens em locais distantes.

Pham é um estudante de pós-graduação da Universidade de Toronto, onde se especializou em pesquisa de dinâmica planetária. Lisa é professora associada de Astronomia na Universidade de Cornell, Diretora do Instituto Carl Sagan e especialista em modelagem de mundos admitidos como habitáveis ​​e na caracterização de suas atmosferas.

“A água líquida na superfície de um planeta é uma das armas fumegantes para a vida potencial – digo que a água não sabe o que mais precisamos para começar a vida. Mas a água líquida é um ótimo começo. Então vamos usar o slogan da Nasa de’apenas siga a água’ e nos perguntamos que podemos encontrar a água na superfície de exoplanetas rochosos na zona habitável’”, disse Lisa. “Fazedora é desmoralizada, por isso identificar uma maneira mais rápida de água primordialmente planetas promissórias – aqueles com água líquida”.

Atualmente, os astrônomos estão limitados a uma absorção da linha Lyman-alfa, que indica a presença de gás hidrogênio na atmosfera de um exoplaneta. Ele é um subproduto do vapor de água atmosférica que foi exposto à radiação ultravioleta solar, fazendo com que se dissocie quimicamente em hidrogênio e oxigênio molecular (O2) – o primeiro dos quais é perdido no enquanto o último é retido.

Isso está próximo a, como os telescópios espaciais de mudança próxima geração, como o telescópio espacial James Webb (JW), o Telescópio de Exoplanetas Habitáveis ​​(HabEx) e o Large UV/Optical/IR Topógrafo (LUVOIR). Também existem Telescópios Extremamente Grandes terrestres, como o Telescópio Extremo (ELT) o Gigante Magellan (GMT) Meter Telescope (TMT).

Ilustração artística do exoplaneta HR8799e, que foi fotografada diretamente usando o instrumento GRAVITY no Interferômetro do Very Large Telescope do ESO. Crédito: ESO/L. Calçada

Graças aos seus grandes espelhos primários e aos conjuntos óticos avançados de espectrógrafos, cronógrafos e adaptativos, esses instrumentos podem realizar estudos diretos de imagens de exoplanetas. Isso consiste em estudar a luz refletida diretamente na atmosfera ou superfície de um exoplaneta para obter, permitindo ver os elementos químicos que estão presentes. Entretanto, conforme eles indicam em seu artigo, esse é um processo demorado.

Os astrônomos observam as verificações periódicas de estrelas em busca de brilho e, em seguida, buscam as curvas de luz em busca de sinais de assinaturas de destaque. Atualmente, exoplanetas são classificados com exoplanetas amadores e animais de máquinas de classificar os volumes de dados que classificam para seus grupos de dados que classificam seus astros. Olhando para o futuro, Pham e Lisa mostram como o aprendizado de máquina avançada será crucial.

Como indicar, como técnicas de aprendizado de máquina permitirão que os astrônomos conduzam como caracterizações iniciais de exoplanetas mais rapidamente, aperfeiçoando aos astronómicos alvos para observações de acompanhamento. Ao “seguir a água”, os astrônomos investiram na pesquisa mais valiosa do tempo de um observatório a exotas com maior probabilidade de proporcionar retornos de resultados.

Aprendizado de máquinas permite identificação rápida e precisa na relação sinal-ruído

“Os vapores de água dos planetas de próxima geração e a atmosfera da próxima geração”, disse Lisa. “É claro que, para encontrar na superfície dos planetas, você deve procurar água em suas formas líquidas, sólida e gasosa, como procurar dos nossos estudos”.

“O aprendizado nos permite identificar rapidamente os filtros de ideais, bem como uma compensação na precisão da máquina em várias relações-ruído”, acrescentou Pham. “Na primeira tarefa, usando o algo útil de nuvem aberta XG Boost, obtemos uma classificação de filtros são mais úteis para o código em suas tarefas de detecção, neve ou filtro. Na segunda tarefa, podemos observar como muito melhor o desempenho com menos ruído. Com isso, podemos traçar uma linha onde obter mais sinal não corresponderia a uma precisão muito melhor”.

Para certificar-se que seu Pham estava à altura da tarefa, e Lisa fizeram algumas medições consideráveis. Isso consiste na criação de 53.130 perfis de espectros de uma Terra fria com vários componentes de superfície – incluindo neve, água e nuvens de água. Eles simularam então os espectros dessa água em termos de reflexão da atmosfera e da superfície e os perfis de núcleos atribuídos.

Como Pham explicado: “A atmosfera foi modelada usando Exo-Prime2—Exo-Prime2 foi validado por comparação com a Terra em várias missões. A refletividade de superfícies como neve e água são medidas na Terra pelo USGS. Em seguida, criamos núcleos a partir desses espectros. Treinamos o XG Boost para realizar três objetivos separados: detectar a existência de água, a existência de nuvens e a existência de neve”.

Leia mais:

Esse XG Boost treinado mostrou que as nuvens e a neve são mais fáceis de identificar que a água, o que é esperado, já que as nuvens e a neve luz solar) muito mais alto do que a água.

Eles identificam ainda cinco ideais que funcionam bem, todos com 0,2 micrômetros de largura e na faixa de luz visível. A final foi realizar uma avaliação de probabilidade simulada para avaliar seu modelo de planeta em relação à água líquida, neve e nuvens a partir do conjunto de cinco filtros ideais que eles identificam.

“Finalmente, realizamos uma análise bayesiana breve usando Markov-Chain Monte Carlo (MCMC) para fazer a mesma tarefa nos cinco filtros, como um método não aprendido de máquina para validar descoberta”, disse Pham. “Nossas descobertas são semelhantes: a água é mais difícil de detectar, identificar água, neve e nuvens por meio de fotometria é viável”.

Da mesma forma, eles ficaram surpresos ao ver quão bem identificado ou XG Boost treinado poderia água na superfície de planetas rochosos com base apenas na cor. De acordo com Lisa, isso é o que os filtros realmente são: um meio para separar a luz em “caixas” discretas. “Imagine uma lixeira para toda a luz vermelha (o filtro “vermelho”), depois uma lixeira para toda a luz verde, do claro ao escuro (o filtro “verde”)”, disse ela.

O método proposto não identifica água em atmosferas de exoplanetas, mas na superfície de um exoplaneta por meio de fotometria. disso, não funcionará com o Método de Trânsito (também conhecido como Fotometria de Trânsito), que atualmente é o meio mais utilizado e eficaz de detecção de exoplanetas, e consiste em observar estrelas distantes para quedas periódicas na luminosidade atribuídas a exoplanetas que passam na (também conhecido como trânsito à frente) em relação ao observador.

Ocasionalmente, os astrônomos podem obter espectros da atmosfera de um exoplaneta enquanto ele faz um trânsito – um processo conhecido como “espectroscopia de trânsito”. À medida que a luz da estrela hospedada passa pela atmosfera do observador, os astros são analisados ​​com espectrômetros para determinar quais características estão lá. Usando sua ótica sensível e conjunto de espectrômetros, o JWST contará com esse método para caracterizar atmosferas de exoplanetas.

Já assistiu aos nossos novos vídeos no YouTube? inscreva-se no nosso canal!

LEAVE A REPLY

Please enter your comment!
Please enter your name here