Google AI descubre dos nuevos exoplanetas en sistemas solares distantes mediante aprendizaje profundo

• Google utilizó Deep Neural Network para analizar los datos de Kepler. 
• Encontraron dos nuevos exoplanetas: Kepler-90i y Kepler-80g. 
• El modelo que han desarrollado tiene aproximadamente un 96 % de precisión a la hora de distinguir planetas y no planetas. 

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

Con la ayuda de tecnologías modernas como cámaras digitales, vuelos espaciales, ópticas de telescopios y computadoras, podemos ampliar nuestro conocimiento más allá de nuestro propio sistema solar y detectar/identificar planetas a miles de años luz de la Tierra. Se les llama exoplanetas y forman parte de otro sistema solar muy en el espacio.

Sin embargo, encontrar exoplanetas es una tarea extremadamente difícil. A diferencia de sus estrellas anfitrionas, son pequeñas, frías y oscuras. En la actualidad, utilizamos técnicas de aprendizaje automático para detectar exoplanetas con precisión. Google utiliza una de esas técnicas y detectó dos extoplanetas, llamados Kepler 90i, que orbitan alrededor de una estrella enana amarilla, Kepler 90, y Kepler-80g, que gira alrededor de Kepler 80. Averigüemos 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 utilizando análisis manual y 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, monitorea continuamente el brillo de más de 145.000 estrellas de la secuencia principal en un campo de visión fijo. Estos datos se envían a la Tierra y luego se examinan en profundidad para identificar el oscurecimiento periódico del exoplaneta causado por la rotación alrededor de su estrella anfitriona.

Todo esto genera alrededor de 14 mil millones de puntos de datos, que se traducen en aproximadamente 2 mil billones de posibles órbitas planetarias. Incluso la computadora más poderosa necesita mucho tiempo para procesar estas enormes cantidades de datos. Para que este proceso sea más rápido y eficiente, Google utilizó herramientas y técnicas de aprendizaje profundo.

El enfoque del aprendizaje automático

El aprendizaje automático es la forma de inteligencia artificial que enseña a la computadora a reconocer patrones específicos. Es específicamente 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 la imagen:NASA

El aprendizaje profundo, que es un tipo de aprendizaje automático, utiliza capas computacionales para crear funciones complejas progresivas que son útiles para problemas de clasificación. Por ejemplo, un modelo de clasificación de imágenes profundas puede reconocer primero características de bordes simples que se pueden usar para detectar esquinas y curvas, hasta que la capa de características final del modelo pueda distinguir entre objetos complejos.

Las redes neuronales profundas (tipo de modelo de aprendizaje profundo) se han convertido en lo último en varias tareas, incluida la clasificación de imágenes. La mayoría de las veces funciona mejor que los modelos desarrollados con características diseñadas a mano. Una red neuronal está entrenada para minimizar una función de costo que mide qué tan lejos están sus predicciones de las verdaderas etiquetas del conjunto de entrenamiento.

El equipo de IA de Google utilizó un conjunto de datos de más de 15.000 señales de Kepler para crear un modelo TensorFlow para distinguir planetas de otros cuerpos celestes. Para hacer esto, el sistema tuvo que detectar y reconocer el patrón real del planeta versus los patrones causados por otros cuerpos como estrellas binarias y manchas estelares.

Desarrollaron una red neuronal profunda para examinar automáticamente los eventos de cruce del umbral de Kepler (TCE:señales periódicas detectadas, que podrían ser consistentes con planetas en tránsito). El modelo utiliza curvas de luz como entradas y está entrenado en un conjunto de TCE de Kepler clasificados por humanos.

Las vistas de entrada se alimentan a través de columnas convolucionales separadas, un método exitoso en clasificaciones de imágenes anteriores. Es capaz de distinguir cuerpos espaciales con una precisión decente:las sutiles diferencias entre exoplanetas en tránsito reales y falsos positivos como artefactos de instrumentos, binarias eclipsantes y variabilidad estelar.

Referencia:Harvard.edu

Resultados

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

Leer:La NASA utilizará inteligencia artificial para redes de comunicación espacial

Para acotar la búsqueda, observaron 670 estrellas que ya tienen dos o más exoplanetas. Durante el procesamiento, encontraron dos nuevos exoplanetas:Kepler-90i y Kepler-80g. El planeta Kepler 90i gira alrededor de Kepler-90, una estrella que anteriormente se sabía que albergaba 7 planetas en tránsito. Mientras que Kepler-80g es parte de una cadena de cinco planetas alrededor de la estrella Kepler-80, con un período orbital que casi coincide con la predicción de las relaciones de Laplace de tres cuerpos.

Casi un 13 por ciento 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 la 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 de Draco. Se encuentra entre Kepler-90c (8,7 días) y Kepler-90d (59,7 días) con una temperatura superficial extremadamente alta: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 utiliza para buscar sólo 670 de ellas. Puede que haya cientos de miles de exoplanetas aún sin descubrir según los datos de Kepler. Las nuevas técnicas, como el aprendizaje profundo, ayudarán a los astrónomos y físicos a descubrir cosas que están fuera del alcance humano.

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

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

• Aumentar el conjunto de entrenamiento incorporando datos simulados o datos sin etiquetar (el modelo actual utiliza solo unos 15.000 ejemplos etiquetados).
• Mejorar la rutina de engorde para reducir el número de señales debidas a la variabilidad estelar que se clasifican como probables planetas.
• Agregue algún tipo de información del centroide a la representación de entrada para mejorar la capacidad del sistema para clasificar los tránsitos que ocurren en una estrella de fondo en lugar de en la estrella objetivo.
• Divida la vista local en varios segmentos para permitir que el sistema analice la coherencia de los tránsitos entre diferentes segmentos del conjunto de datos.