IA de Google descubre dos nuevos exoplanetas en sistemas solares distantes usando aprendizaje profundo

• Google usó Red Neuronal Profunda para analizar datos de Kepler.
• Encontraron dos nuevos exoplanetas: Kepler-90i y Kepler-80g.
• El modelo desarrollado tiene una precisión del 96% para distinguir planetas y no planetas.

Durante muchos siglos, la gente ha mirado las estrellas, notado patrones y registrado observaciones. Una de las primeras cosas descubiertas en el espacio fueron los planetas, a los que los griegos llamaron 'errantes' o 'planētai' por sus movimientos irregulares. Gradualmente llegamos a saber que nuestro sistema solar alberga varios planetas que giran alrededor del Sol.

Con la ayuda de tecnologías modernas como cámara digital, vuelo espacial, óptica de telescopio y ordenadores, podemos extender nuestro conocimiento más allá de nuestro propio sistema solar y detectar/identificar planetas a miles de años luz de la Tierra. Se llaman exoplanetas, parte de otro sistema solar lejos en el espacio.

Sin embargo, encontrar exoplanetas es una tarea extremadamente difícil. A diferencia de sus estrellas anfitrionas, son pequeños, fríos y oscuros. Actualmente, usamos técnicas de aprendizaje automático para detectar exoplanetas con precisión. Una de esas técnicas es usada por Google, y detectaron dos exoplanetas, llamados Kepler 90i, orbitando alrededor de una enana amarilla Kepler 90, y Kepler-80g girando alrededor de Kepler 80. Veamos cómo lo hicieron.

Datos utilizados

El método principal para buscar exoplanetas es analizar una gran cantidad de datos capturados por el Telescopio Espacial Kepler de la NASA usando tanto análisis manual como software automatizado. En 4 años, el telescopio observó alrededor de 200.000 estrellas, capturando una imagen cada media hora. El único instrumento científico de Kepler, el Fotómetro, monitoriza continuamente el brillo de más de 145.000 estrellas de secuencia principal en un campo de visión fijo. Estos datos se envían a la Tierra y se examinan profundamente para identificar el oscurecimiento periódico de exoplanetas causado por su órbita alrededor de su estrella anfitriona.

Todo esto genera unos 14.000 millones de puntos de datos, que se traducen aproximadamente en 2 cuatrillones de posibles órbitas planetarias. Incluso el ordenador más potente tarda un tiempo extremadamente largo en procesar estas cantidades masivas de datos. Para hacer este proceso más rápido y eficiente, Google usó herramientas y técnicas de Aprendizaje Profundo.

El enfoque de aprendizaje automático

El aprendizaje automático es una forma de inteligencia artificial que enseña al ordenador a reconocer patrones específicos. Es especialmente útil para dar sentido a grandes volúmenes de datos. Aquí, la idea es permitir que las máquinas aprendan mediante entrenamiento y ejemplos en lugar de programarlas con reglas particulares.

Crédito de imagen: NASA

El aprendizaje profundo, un tipo de aprendizaje automático, usa capas computacionales para crear características progresivamente complejas útiles para problemas de clasificación. Por ejemplo, un modelo de clasificación de imágenes profundo puede primero reconocer características de borde simples que pueden usarse para detectar esquinas y curvas, hasta que la capa final del modelo puede distinguir entre objetos complejos.

Las redes neuronales profundas (tipo de modelo de aprendizaje profundo) se han convertido en el estado del arte en varias tareas, incluyendo clasificación de imágenes. La mayoría de las veces rinden mejor que modelos desarrollados con características diseñadas a mano. Una red neuronal se entrena para minimizar una función de coste que mide qué tan lejos están sus predicciones de las etiquetas verdaderas del conjunto de entrenamiento.

El equipo de IA de Google usó un conjunto de datos de más de 15.000 señales de Kepler para crear un modelo TensorFlow que distinguiera planetas de otros cuerpos celestes. Para ello, el sistema tuvo que detectar y reconocer el patrón real de un planeta frente a patrones causados por otros cuerpos como estrellas binarias y manchas estelares.

Desarrollaron una red neuronal profunda para examinar automáticamente eventos de cruce de umbral de Kepler (TCEs, señales periódicas detectadas, que podrían ser consistentes con planetas en tránsito). El modelo usa curvas de luz como entradas y se entrena en un conjunto de TCEs de Kepler clasificados por humanos.

Las vistas de entrada se alimentan a través de columnas convolucionales separadas, un método exitoso en clasificaciones de imágenes previas. Es capaz de distinguir cuerpos espaciales con buena precisión: las diferencias sutiles entre un exoplaneta en tránsito real y falsos positivos como artefactos instrumentales, binarias eclipsantes y variabilidad estelar.

Referencia: Harvard.edu

Resultados

Cuando el modelo se probó en señales, distinguió correctamente las señales generadas por planetas y otros no planetas, con una precisión del 96%. Además, el 98,8% de las veces clasificó señales de planetas plausibles por encima de señales falsas positivas.

Leer: NASA usará Inteligencia Artificial para redes de comunicación espacial

Para acotar la búsqueda, observaron 670 estrellas que ya tienen dos o más exoplanetas. Mientras procesaban, encontraron dos nuevos exoplanetas: Kepler-90i y Kepler-80g. Kepler 90i gira alrededor de Kepler-90, una estrella conocida previamente por albergar 7 planetas en tránsito. Mientras que Kepler-80g es parte de una cadena de 5 planetas alrededor de la estrella Kepler-80, con un período orbital que casi coincide con la predicción por relaciones de Laplace de 3 cuerpos.

Casi un 13% más grande que la Tierra, Kepler-80g (el planeta más externo de su sistema) tiene un período orbital de 14,6 días y 89,35 +0,47 -0,98 grados de inclinación.

Crédito de imagen: blog de Google

Kepler-90i es un 34% más grande que la Tierra con un período orbital de 14,45 días. Está a 2.545 años luz de la Tierra en la constelación Draco. Se encuentra entre Kepler-90c (8,7 días) y Kepler-90d (59,7 días) con una temperatura superficial extremadamente caliente: 436 °C.

¿Qué sigue?

Cuando se trata de las posibilidades de la red neuronal profunda, el cielo es el límite. De 200.000 estrellas, el modelo se usó para buscar solo 670. Puede haber cientos de miles de exoplanetas aún no descubiertos en los datos de Kepler. Las nuevas técnicas como el aprendizaje profundo ayudarán a astrónomos y físicos a descubrir cosas que están fuera del alcance humano.

Leer: La IA de Google crea una IA que supera el código humano

Este modelo podría modificarse en el futuro para mejorar su precisión y disminuir tipos conocidos de falsos positivos. Por ejemplo, podemos:

• Aumentar el conjunto de entrenamiento incorporando datos simulados o datos sin etiquetar (el modelo actual usa solo unos 15.000 ejemplos etiquetados).
• Mejorar la rutina de engrosamiento para reducir el número de señales debidas a variabilidad estelar que se clasifican como planetas probables.
• Añadir alguna forma de información de centroide en la representación de entrada para mejorar la capacidad del sistema para clasificar tránsitos que ocurren en una estrella de fondo en lugar de la estrella objetivo.
• Dividir la vista local en varios segmentos para permitir al sistema analizar la consistencia de los tránsitos entre diferentes segmentos del conjunto de datos.