fbpx
viernes, diciembre 2, 2022
InicionewsEl aprendizaje automático será una de las mejores formas de identificar exoplanetas...

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, el enfoque está pasando del descubrimiento a la caracterización. En lugar de simplemente buscar más planetas, los astrobiólogos examinarán los mundos «potencialmente habitables» en busca de «biofirmas» potenciales.

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

Esto se refiere a las firmas químicas asociadas con la vida y los procesos biológicos, uno de los más importantes es el agua. Como el único solvente conocido sin el cual la vida (tal como la conocemos) no puede existir, el agua se considera la varita mágica para encontrar vida. En un estudio reciente, los astrofísicos Dang Pham y Lisa Kaltenegger explican cómo las encuestas futuras (cuando se combinan con el aprendizaje automático) podrían 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 los estudios astrobiológicos 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.

Ilustración de un artista del exoplaneta HR8799e, que fue fotografiado directamente usando el instrumento GRAVITY en el interferómetro del Very Large Telescope de ESO. Crédito: ESO/L. Calçada

«El agua líquida en la superficie de un planeta es una de las pruebas irrefutables de la vida potencial; digo potencial aquí porque no sabemos qué más necesitamos para que la vida comience. Pero el agua líquida es un gran comienzo. Así que usamos el eslogan de la NASA de «simplemente siga el agua» y preguntó, ¿cómo podemos encontrar agua en la superficie de exoplanetas rocosos en la zona habitable? Hacer espectroscopia requiere 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 han limitado a buscar la línea de absorción 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 (O2), el primero de los cuales se pierde en el espacio mientras que el segundo se retiene.

Esto está a punto de cambiar, gracias a los telescopios de próxima generación como James Webb (JWST) y Nancy Grace Roman Space Telescopes (RST), así como a los observatorios de próxima generación como el Origins Space Telescope, el Habitable Exoplanet Observatory (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 conjunto avanzado de espectrógrafos, cronógrafos y 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 que requiere mucho tiempo.

Los astrónomos comienzan observando miles de estrellas en busca de caídas periódicas en el brillo, luego analizan las curvas de luz en busca de signos de firmas químicas. Actualmente, los investigadores de exoplanetas y los astrobiólogos confían en los astrónomos aficionados y los algoritmos de las máquinas 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 las caracterizaciones iniciales de los 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 exploración de un observatorio a los exoplanetas que tienen más probabilidades de proporcionar retornos significativos.

«Los telescopios de próxima generación buscarán vapor de agua en la atmósfera de los planetas y agua en la superficie de los planetas», dijo Kaltenegger. «Por supuesto, para encontrar agua en la superficie de los planetas, debe buscar [agua en sus] formas líquida, sólida y gaseosa, como hicimos en nuestro artículo».

«El aprendizaje automático nos permite identificar rápidamente los filtros óptimos, así como el equilibrio en la precisión en varias relaciones de señal a ruido», agregó Pham. «En la primera tarea, usando [el algoritmo de código abierto] XGBoost, obtenemos una clasificación 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 cómo mucho mejor, el algoritmo funciona 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 de espectros de una Tierra fría con varios componentes de la superficie, que incluyen nieve, agua y 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 estos espectros. Entrenamos XGBoost en estos colores para realizar 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 era 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 óptimos que funcionaron extremadamente bien para el algoritmo, todos los cuales tenían 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 con respecto al agua líquida, la nieve y las nubes del conjunto de cinco filtros óptimos que identificaron.

«Finalmente, [realizamos] un breve análisis bayesiano usando Markov-Chain Monte Carlo (MCMC) para hacer la misma tarea en los cinco filtros óptimos, como un método de aprendizaje no automático para validar nuestro hallazgo», dijo Pham. «Nuestros hallazgos allí 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 «contenedores» discretos. «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.

Su método propuesto no identifica el agua en las atmósferas de los exoplanetas, sino en la superficie de un exoplaneta a través de la 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 la detección de 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.

En ocasiones, los astrónomos pueden obtener espectros de la atmósfera de un exoplaneta mientras realiza un tránsito, 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 las atmósferas de los exoplanetas.

Skycr_editor
Skycr_editorhttps://hdavila.com/
Homer Dávila. Máster en geología. Miembro de la International Meteor Organization. Astronomía, radioastronomía, cosmología y ciencia planetaria.
Artículos relacionados

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Únete a Cosmos Aquí

- Advertisment -spot_img

Más populares

Más recientes

A %d blogueros les gusta esto: