Revista El Color del Dinero

Bienvenidos a Spain News Today.

El aprendizaje automático será una de las mejores formas de identificar exoplanetas habitables

Impresión artística de un sistema multiplanetario con tres tránsitos. crédito: NASA

El campo de los estudios de planetas extrasolares está experimentando un cambio sísmico. Hasta la fecha, se han confirmado 4.940 exoplanetas en 3.711 sistemas planetarios, con otros 8.709 candidatos en espera de confirmación. Con tantos planetas disponibles para estudiar y mejoras en la sensibilidad del telescopio y el análisis de datos, el enfoque está cambiando del descubrimiento a la caracterización. En lugar de simplemente buscar más planetas, los astrobiólogos examinarán los mundos «potencialmente habitables» en busca de posibles «huellas dactilares biológicas».


Esto se refiere a las firmas químicas asociadas con la vida y los procesos biológicos, los más importantes de los cuales son agua. Como el único solvente conocido sin el cual la vida (como la conocemos) no puede existir, el agua es la varita divina para la creación de la vida. En un estudio reciente, los astrofísicos Dang Pham y Lisa Kaltenegger demuestran cómo las encuestas futuras (cuando se combinan con el aprendizaje automático) pueden caracterizar la presencia de agua, nieve y nubes en exoplanetas distantes.

Dang Pham es estudiante de posgrado en el Departamento de Astronomía y Astrofísica David A. Dunlap de la Universidad de Toronto, donde se especializa en investigación de dinámica planetaria. Lisa Kaltenegger es profesora asociada de astronomía en la Universidad de Cornell, directora del Instituto Carl Sagan y experta mundial líder en el modelado de mundos potencialmente habitables y la caracterización de sus atmósferas.

El agua es algo de lo que depende toda la vida en la Tierra, de ahí su importancia en estudios astronómicos y exoplanetas. Como Lisa Kaltenegger le dijo a Universe Today por correo electrónico, esta importancia se refleja en el lema de la NASA, «Simplemente sigue el agua», que también inspiró el título de su artículo.

«El agua líquida en la superficie de un planeta es una de las pistolas humeantes para la vida potencial. Digo potencial aquí porque no sabemos qué más necesitamos para comenzar la vida. Pero el agua líquida es un gran comienzo. Así que usamos el lema de la NASA de ‘Solo sigue el agua’ y preguntó: «¿Cómo encontramos agua en la superficie de los exoplanetas rocosos en la zona habitable? Se necesita mucho tiempo para realizar la espectroscopia, por lo que estamos buscando una forma más rápida de identificar tentativamente los planetas más prometedores». —aquellos con agua líquida sobre ellos».

Por ahora, los astrónomos se han limitado a buscar la absorción Lyman-alfa, que indica la presencia de gas hidrógeno en la atmósfera de un exoplaneta. Este es un subproducto del vapor de agua en la atmósfera que ha estado expuesto a los rayos ultravioleta del sol, lo que hace que se separe químicamente del hidrógeno molecular y el oxígeno (O).2) —que se pierde en el espacio mientras que el otro se conserva.

El aprendizaje automático será una de las mejores formas de identificar exoplanetas habitables

La impresión de este artista muestra al planeta orbitando la estrella similar al Sol HD 85512 en la constelación austral de Vela (Vela). Crédito: ESO

Eso está a punto de cambiar, gracias a los telescopios de próxima generación, como los telescopios James Webb (JWST) y los telescopios espaciales romanos (RST) de Nancy Grace, así como a los observatorios de próxima generación, como el telescopio espacial Origins, el Observatorio de exoplanetas habitables (HabEx ), el estudio ultravioleta/óptico/infrarrojo grande (LUVOIR). También hay telescopios terrestres como el Extremely Large Telescope (ELT), el Giant Magellan Telescope (GMT) y el Thirty Meter Telescope (TMT).

Con sus grandes espejos primarios y su gama avanzada de espectrógrafos, cronógrafos, óptica adaptativaEstos instrumentos podrán realizar estudios de imágenes directas de exoplanetas. Consiste en estudiar la luz reflejada directamente desde la atmósfera o la superficie de un exoplaneta para obtener espectros que permitan a los astrónomos ver qué elementos químicos están presentes. Pero como señalan en su artículo, este es un proceso que requiere mucho tiempo.

Los astrónomos comienzan observando miles de estrellas en busca de caídas periódicas en el brillo, luego analizan sus curvas de luz en busca de signos de señales químicas. Actualmente, los investigadores de exoplanetas y los astrobiólogos confían en entusiastas de la astronomía y algoritmos de máquina para clasificar los volúmenes de datos obtenidos por los telescopios. Mirando hacia el futuro, Pham y Caltenegger demuestran cuán importante es el aprendizaje automático más avanzado.

Como señalan, las técnicas de ML permitirán a los astrónomos realizar caracterizaciones iniciales de exoplanetas más rápidamente, lo que permitirá a los astrónomos priorizar objetivos para observaciones posteriores. Al «rastrear el agua», los astrónomos podrán asignar más del valioso tiempo de estudio del observatorio a los exoplanetas que probablemente proporcionen retornos significativos.

“La próxima generación de telescopios buscará vapor de agua en la atmósfera del planeta y agua en la superficie de los planetas”, dijo Kaltenegger. “Por supuesto, para encontrar agua en la superficie de los planetas, tienes que buscar [for water in its] en forma líquida, sólida y gaseosa, como hicimos en nuestro artículo”.

«El aprendizaje automático nos permite seleccionar rápidamente los filtros óptimos, así como compensar la precisión con diferentes relaciones señal-ruido», agregó Pham. En la primera tarea, usando [the open-source algorithm] XGBoost, obtuvimos una calificación de los filtros más útiles para el algoritmo en sus tareas de detección de agua, nieve o nubes. En la segunda tarea, podemos observar qué tan bien funciona el algoritmo con menos ruido. Con eso, podemos trazar una línea en la que obtener más señal no corresponderá a una resolución mucho mejor. «

El aprendizaje automático será una de las mejores formas de identificar exoplanetas habitables

Ilustración artística del exoplaneta HR8799e, fotografiada en vivo con el instrumento GRAVITY en el interferómetro del Very Large Telescope de ESO. Crédito: ESO/L.Calsada

Para asegurarse de que su algoritmo estuviera a la altura de la tarea, Pham y Caltenegger hicieron una gran calibración. Esto consistió en generar 53.130 perfiles espectrales de la Tierra fría con diferentes componentes de la superficie, incluida la nieve, el agua y las nubes de agua. Luego simularon los espectros de estas aguas en términos de atmósfera, reflexión de la superficie y perfiles de color personalizados. Como explicó Pham:

«La atmósfera se modela con Exo-Prime2: Exo-Prime2 ha sido validado contra la Tierra en varias misiones. El USGS mide la reflectividad de superficies como la nieve y el agua en la Tierra. Luego creamos colores a partir de estos espectros. Entrenamos XGBoost en estos colores Para realizar tres objetivos separados: detectar la presencia de agua, la presencia de nubes y la presencia de nieve.

El entrenador XGBoost demostró que es más fácil identificar las nubes y la nieve que el agua, lo cual era de esperar porque las nubes y la nieve tienen un albedo (mayor reflexión de la luz solar) mucho mayor que el agua. Además, identificaron cinco filtros perfectos que funcionaron muy bien para el algoritmo, todos los cuales tenían 0,2 μm de ancho y en el rango de luz visible. El último paso fue hacer una evaluación probabilística ficticia para evaluar su modelo de planeta en relación con Agua líquiday nieve y nubes del conjunto de cinco filtros óptimos que identificaron.

«Finalmente nosotros [performed] Análisis de resumen bayesiano usando Markov-Chain Monte Carlo (MCMC) para hacer la misma tarea en los cinco filtros óptimos, como noaprendizaje automático Una forma de validar nuestros hallazgos, dijo Pham. «Nuestros hallazgos allí son similares: el agua es difícil de detectar, pero es factible identificar el agua, la nieve y las nubes mediante fotometría».

Del mismo modo, se sorprendieron al ver lo bien entrenado que XGBoost podía reconocer el agua en la superficie de los planetas rocosos basándose únicamente en el color. Según Kaltenegger, estos son realmente filtros: una forma de separar la luz en «cajas» secretas. «Imagine un contenedor para toda la luz roja (el filtro ‘rojo’), y luego un contenedor para toda la luz verde, desde el verde claro hasta el verde oscuro (el filtro ‘verde’)», dijo.

Su método propuesto no ubica el agua en la atmósfera de un exoplaneta sino en la superficie de un exoplaneta mediante fotometría. Además, no funcionará con el método de tránsito (también conocido como fotometría de tránsito), que actualmente es el método más utilizado y efectivo para detectar exoplanetas. Este método consiste en estrellas distantes que observan caídas periódicas en la luminosidad atribuidas a los exoplanetas que pasan frente a la estrella (también conocidos como tránsitos) en relación con el observador.

A veces, los astrónomos pueden obtener espectros de la atmósfera de un exoplaneta a medida que transita, un proceso conocido como «espectroscopia transitoria». Cuando la luz del sol atraviesa la atmósfera de un exoplaneta en relación con el observador, los astrónomos la analizarán con espectrómetros para determinar qué sustancias químicas están presentes allí. Usando óptica sensible y espectrofotómetros de matriz, JWST se basará en este método para la caracterización. planeta extrasolar ambiente


Técnica para encontrar océanos en otros mundos.


más información:
Dang Pham, Lisa Kaltenegger, Siga el agua: encontrar agua, nieve y nubes en exoplanetas terrestres mediante fotometría y aprendizaje automático. arXiv: 2203.04201v1 [astro-ph.EP]Y el doi.org/10.48550/arXiv.2203.04201

Introducción de
universo hoy

La frase: El aprendizaje automático será una de las mejores formas de identificar exoplanetas habitables (21 de marzo de 2022), Obtenido el 21 de marzo de 2022 de https://phys.org/news/2022-03-machine-ways-habitable-exoplanets.html

Este documento está sujeto a derechos de autor. Sin perjuicio de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin permiso por escrito. El contenido se proporciona únicamente con fines informativos.

READ  El módulo de aterrizaje InSight en Marte se está muriendo y la NASA no tiene planes para salvarlo