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

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 el estudio y las mejoras en la sensibilidad del telescopio y el análisis de datos, la atención se centra en la transición del descubrimiento a la caracterización. En lugar de simplemente buscar más planetas, los astrobiólogos examinarán los mundos «potencialmente habitables» en busca de «biofirmas» potenciales.

Se refiere a las firmas químicas asociadas con la vida y los procesos biológicos, siendo una de las más importantes Agua. Como el único solvente conocido sin el cual la vida (tal como la conocemos) no puede existir, el agua se considera el adivino para encontrar vida. En un estudio reciente, los astrofísicos Dang Pham y Lisa Kaltenegger explican cómo la investigación futura (cuando se combina con el aprendizaje automático) puede discernir 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 líder mundial 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 para la investigación astrobiológica y de exoplanetas. Como dijo Lisa Kaltenegger a Universe Today por correo electrónico, esta importancia se refleja en el eslogan 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 armas 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 eslogan de la NASA de ‘ solo sigue el agua» y preguntó, ¿cómo podemos encontrar agua en la superficie de exoplanetas rocosos en la zona habitable? Hacer espectroscopia lleva mucho tiempo, por lo que estamos buscando una forma más rápida de identificar inicialmente planetas prometedores, aquellos con agua líquida en ellos.»

Actualmente, los astrónomos se limitan a buscar la absorción de la línea Lyman-alfa, que indica la presencia de gas hidrógeno en la atmósfera de un exoplaneta. Este es un subproducto del vapor de agua atmosférico que ha estado expuesto a la radiación ultravioleta solar, lo que hace que se disocie químicamente en hidrógeno y oxígeno molecular (O_dos) – el primero de los cuales se pierde en el espacio mientras que el segundo se conserva.

Eso está a punto de cambiar, gracias a los telescopios de última generación como el James Webb (JWST) y el Telescopio Espacial Romano Nancy Grace (RST), así como a los observatorios de última generación como el Telescopio Espacial Origins, el Observatorio de Exoplanetas Habitables (HabEx ) y el gran topógrafo UV/óptico/IR (LUVOIR). También hay telescopios terrestres como el Extremely Large Telescope (ELT), el Giant Magellan Telescope (GMT) y el Thirty Meter Telescope (TMT).

Gracias a sus grandes espejos primarios y su avanzado conjunto de espectrógrafos, cronógrafos, óptica adaptativa, estos 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 indican en su artículo, este es un proceso largo.

Los astrónomos comienzan observando miles de estrellas en busca de caídas periódicas en el brillo y luego analizan las curvas de luz en busca de signos de firmas químicas. Actualmente, los investigadores de exoplanetas y los astrobiólogos confían en astrónomos aficionados y algoritmos de máquina para clasificar los volúmenes de datos que obtienen sus telescopios. De cara al futuro, Pham y Kaltenegger muestran cómo será crucial un aprendizaje automático más avanzado.

Como indican, las técnicas de ML permitirán a los astrónomos realizar caracterizaciones iniciales de exoplanetas más rápidamente, lo que permitirá a los astrónomos priorizar los objetivos para las observaciones de seguimiento. Al «seguir el agua», los astrónomos podrán dedicar más del valioso tiempo de investigación de un observatorio a los exoplanetas con mayor probabilidad de proporcionar retornos significativos.

“Los telescopios de próxima generación buscarán vapor de agua en las atmósferas de los planetas 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] formas líquidas, sólidas y gaseosas, como hicimos en nuestro artículo».

«El aprendizaje automático nos permite identificar rápidamente los filtros óptimos, así como compensar la precisión en varias relaciones señal-ruido», agregó Pham. «En la primera tarea, usando [the open-source algorithm] XGBoost, obtenemos un ranking de qué filtros son más útiles para el algoritmo en sus tareas de detección de agua, nieve o nubes. En la segunda tarea, podemos observar cuánto mejor funciona el algoritmo con menos ruido. Con eso, podemos trazar una línea en la que obtener más señal no correspondería a una precisión mucho mayor».

Para asegurarse de que su algoritmo estuviera a la altura de la tarea, Pham y Kaltenegger realizaron una calibración considerable. Esto consistió en crear 53.130 perfiles espectrales de una Tierra fría con varios componentes de la superficie, incluida la nieve, el agua y las nubes de agua. Luego simularon los espectros de esta agua en términos de reflectividad atmosférica y superficial y perfiles de color asignados. Como explicó Pham:

«La atmósfera se modeló con Exo-Prime2: Exo-Prime2 se validó comparándolo con la Tierra en varias misiones. El USGS mide en la Tierra la reflectividad de superficies como la nieve y el agua. Luego creamos colores a partir de esos espectros. XGBoost en estos colores para lograr tres objetivos separados: detectar la existencia de agua, la existencia de nubes y la existencia de nieve».

Este XGBoost entrenado mostró que las nubes y la nieve son más fáciles de identificar que el agua, lo cual es de esperar ya que las nubes y la nieve tienen un albedo mucho mayor (mayor reflectividad de la luz solar) que el agua. . Además, identificaron cinco filtros ideales que funcionaron extremadamente bien para el algoritmo, todos de 0,2 micrómetros de ancho y en el rango de luz visible. El paso final fue realizar una evaluación de probabilidad simulada para evaluar su modelo de planeta contra Agua líquidanieve y nubes del conjunto de cinco filtros ideales que identificaron.

«Finalmente nosotros [performed] un breve análisis bayesiano usando Markov-Chain Monte Carlo (MCMC) para hacer la misma tarea en los cinco filtros óptimos, como un no-aprendizaje automático método para validar nuestro hallazgo», dijo Pham. «Nuestros hallazgos son similares: el agua es más difícil de detectar, pero es factible identificar el agua, la nieve y las nubes a través de la fotometría».

Del mismo modo, se sorprendieron al ver lo bien que el XGBoost entrenado podía identificar el agua en la superficie de los planetas rocosos basándose únicamente en el color. Según Kaltenegger, esto es lo que realmente son los filtros: un medio para separar la luz en «cajas» discretas. “Imagínese un contenedor para toda la luz roja (el filtro “rojo”), luego un contenedor para toda la luz verde, de verde claro a verde oscuro (el filtro “verde”), dijo.

El método propuesto no identifica agua en atmósferas de exoplanetas, 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 medio más utilizado y efectivo para detectar exoplanetas. Este método consiste en observar estrellas distantes en busca de caídas periódicas en la luminosidad atribuidas a los exoplanetas que pasan frente a la estrella (también conocido como tránsito) en relación con el observador.

Ocasionalmente, los astrónomos pueden obtener espectros de la atmósfera de un exoplaneta a medida que transita, un proceso conocido como «espectroscopia de tránsito». A medida que la luz del sol atraviesa la atmósfera del exoplaneta en relación con el observador, los astrónomos la analizarán con espectrómetros para determinar qué sustancias químicas hay allí. Usando su óptica sensible y su conjunto de espectrómetros, el JWST se basará en este método para caracterizar exoplaneta atmósferas.