Los algoritmos de inteligencia artificial (IA) entrenados en observaciones astronómicas reales ahora superan a los astrónomos en la selección de cantidades masivas de datos para encontrar nuevas estrellas en explosión, identificar nuevos tipos de galaxias y detectar fusiones de estrellas masivas, acelerando la tasa de nuevos descubrimientos en las más antiguas del mundo. ciencia.
Pero la IA, también llamada aprendizaje automático, puede revelar algo más profundo, según descubrieron los astrónomos de la Universidad de California, Berkeley: conexiones insospechadas ocultas en las matemáticas complejas que surgen de la relatividad general, en particular, cómo se aplica esa teoría para encontrar nuevos planetas alrededor de otras estrellas.
En un artículo que aparece esta semana en la revista Nature Astronomy, los investigadores describen cómo se desarrolló un algoritmo de IA para detectar exoplanetas más rápidamente cuando tales sistemas planetarios pasan frente a una estrella de fondo y la iluminan brevemente, un proceso llamado microlente gravitacional, reveló que el Las teorías de décadas de antigüedad que ahora se utilizan para explicar estas observaciones son lamentablemente incompletas.
En 1936, el mismo Albert Einstein usó su nueva teoría de la relatividad general para mostrar cómo la luz de una estrella distante puede ser desviada por la gravedad de una estrella en primer plano, no solo iluminándola vista desde la Tierra, sino dividiéndola a menudo en varios puntos de luz. luz o distorsionándola en un anillo, ahora llamado anillo de Einstein. Esto es similar a la forma en que una lupa puede enfocar e intensificar la luz del sol.
Pero cuando el objeto de primer plano es una estrella con un planeta, el brillo con el tiempo, la curva de luz, es más complicado. Además, a menudo hay múltiples órbitas planetarias que pueden explicar igualmente bien una curva de luz dada, las llamadas degeneraciones. Ahí es donde los humanos simplificaron las matemáticas y se perdieron el panorama general.
Sin embargo, el algoritmo de IA apuntó a una forma matemática de unificar los dos tipos principales de degeneración al interpretar lo que detectan los telescopios durante la microlente, lo que demuestra que las dos “teorías” son realmente casos especiales de una teoría más amplia que los investigadores admiten que probablemente aún esté incompleta. .
“Un algoritmo de inferencia de aprendizaje automático que desarrollamos previamente nos llevó a descubrir algo nuevo y fundamental sobre las ecuaciones que gobiernan el efecto relativista general de la flexión de la luz por parte de dos cuerpos masivos”, escribió Joshua Bloom en una publicación de blog el año pasado cuando subió el artículo. a un servidor de preimpresión, arXiv. Bloom es profesor de astronomía de UC Berkeley y presidente del departamento.
Comparó el descubrimiento del estudiante graduado de UC Berkeley, Keming Zhang, con las conexiones que el equipo de inteligencia artificial de Google, DeepMind, hizo recientemente entre dos áreas diferentes de las matemáticas. En conjunto, estos ejemplos muestran que los sistemas de IA pueden revelar asociaciones fundamentales que los humanos pasan por alto.
“Sostengo que constituyen una de las primeras, si no la primera, vez que la IA se ha utilizado para producir directamente nuevos conocimientos teóricos en matemáticas y astronomía”, dijo Bloom. “Así como Steve Jobs sugirió que las computadoras podrían ser las bicicletas de la mente, hemos estado buscando un marco de IA que sirva como un cohete intelectual para los científicos”.
“Este es un hito en la IA y el aprendizaje automático”, enfatizó el coautor Scott Gaudi, profesor de astronomía en la Universidad Estatal de Ohio y uno de los pioneros en el uso de microlentes gravitacionales para descubrir exoplanetas. “El algoritmo de aprendizaje automático de Keming descubrió esta degeneración que los expertos en el campo que trabajaron con datos durante décadas habían pasado por alto. Esto sugiere cómo será la investigación en el futuro cuando sea asistida por el aprendizaje automático, lo cual es realmente emocionante”.
AI revela matemáticas insospechadas que subyacen a la búsqueda de exoplanetas
Descubrir exoplanetas con microlensión de más de 5,000 exoplanetas, o planetas extrasolares, se han descubierto alrededor de estrellas en la Vía Láctea, aunque pocos se han visto a través de un telescopio, son demasiado oscuros. La mayoría se han detectado porque crean un tambaleo de Doppler en los movimientos de sus estrellas anfitrionas o porque atenuden ligeramente la luz de la estrella huésped cuando se cruzan frente a los tránsitos de TI que fueron el foco de la misión Kepler de la NASA. Solo unos 100 más de 100 han sido descubiertos por una tercera técnica, microlensión.
Uno de los objetivos principales del telescopio espacial Romano de Nancy Grace de la NASA, programado para lanzar para 2027, es descubrir miles de exoplanetas más a través de Microlensing. La técnica tiene una ventaja sobre las técnicas de Doppler y Transit, ya que puede detectar planetas de masas más bajas, incluidos aquellos del tamaño de la Tierra, que están lejos de sus estrellas, a una distancia equivalente a la de Júpiter o Saturno en nuestro sistema solar. Bloom, Zhang y sus colegas se establecieron hace dos años para desarrollar un algoritmo AI para analizar los datos de microlencia más rápido para determinar las masas estelares y planetarias de estos sistemas planetarios y las distancias que los planetas se orbitan de sus estrellas. Dicho algoritmo de velocidad de aceleraría los centrifugos probables de miles de eventos, el telescopio romano detectará para encontrar el 1% o menos que sean causados por sistemas exoplanetarios. Sin embargo, un problema de astrónomos, sin embargo, es que la señal observada puede ser ambigua.
Cuando una estrella de primer plano solitario pasa delante de una estrella de fondo, el brillo de las estrellas de fondo se eleva suavemente a un pico y luego cae simétricamente a su brillo original. Es fácil entender matemáticamente y observacionalmente. Pero si la estrella del primer plano tiene un planeta, el planeta crea un pico de brillo separado dentro del pico causado por la estrella.
Al intentar reconstruir la configuración orbital del exoplaneta que produjo la señal, la relatividad general a menudo permite que dos o más llamadas soluciones degeneradas, todas pueden explicar las observaciones. Hasta la fecha, los astrónomos generalmente han tratado estas degeneraciones de manera simplista y artificialmente distintas, dijo Gaudí. Si la luz de las estrellas lejanas pasa cerca de la estrella, las observaciones podrían interpretarse como una órbita ancha o cercana para el planeta, un astrónomo de ambigüedad a menudo puede resolverse con otros datos. Se produce un segundo tipo de degeneración cuando la luz de la estrella de fondo pasa cerca del planeta. En este caso, sin embargo, las dos soluciones diferentes para la órbita planetaria son generalmente un poco diferentes.
Según Gaudí, estas dos simplificaciones de microlensión gravitacional de dos cuerpos suelen ser suficientes para determinar las masas verdaderas y las distancias orbitales. De hecho, en un artículo publicado el año pasado, Zhang, Bloom, Gaudí y otros dos co-autores de la UC Berkeley, el profesor de astronomía Jessica Lu y el estudiante graduado Casey Lam, describió un nuevo algoritmo de AI que no confía en el conocimiento de estos Interpretaciones en absoluto. El algoritmo acelera en gran medida el análisis de las observaciones de microlensión, lo que proporciona resultados en milisegundos, en lugar de días, y reduciendo drásticamente el crujido por la computadora. Luego, Zhang probó el nuevo algoritmo de AI en las curvas de luz de microlensión de cientos de posibles configuraciones orbitales de estrella y exoplaneta y notaron algo inusual: había otras ambigüedades que las dos interpretaciones no tenían en cuenta.
Llegó a la conclusión de que las interpretaciones de microlencias comúnmente utilizadas fueron, de hecho, solo casos especiales de una teoría más amplia que explica la plena variedad de ambigüedades en los eventos de microlencias. “Las dos teorías anteriores de la degeneración se ocupan de los casos en que la estrella de fondo parece pasar cerca de la estrella del primer plano o al planeta de primer plano”, dijo Zhang.
“El algoritmo AI nos mostró cientos de ejemplos de no solo estos dos casos, sino también situaciones en las que la estrella no pasa cerca de la estrella o el planeta y no puede explicarse por ninguna teoría anterior. Eso fue clave para nosotros proponer la nueva teoría unificadora”. Gaudí era escéptico, al principio, pero se trasladó después de que Zhang produjo muchos ejemplos en los que las dos teorías anteriores no se ajustaban a las observaciones y la nueva teoría. Zhang realmente examinó los datos de dos docenas de trabajos anteriores que informaron el descubrimiento de exoplanetas a través de Microlensing y encontraron que en todos los casos, la nueva teoría se ajusta a los datos mejor que las teorías anteriores. “La gente estaba viendo estos eventos de microlensión, que en realidad estaban exhibiendo esta nueva degeneración, pero simplemente no se daba cuenta”, dijo Gaudí. “Realmente fue solo el aprendizaje de la máquina en mirar miles de eventos donde se hizo imposible perderse”. Zhang y Gaudi han enviado un nuevo documento que describe rigurosamente las nuevas matemáticas basadas en la relatividad general y explora la teoría en situaciones de microlensión donde más de un exoplaneta orbita una estrella.
La nueva teoría técnicamente hace que la interpretación de las observaciones de microlensión sea más ambigua, ya que hay más soluciones degeneradas para describir las observaciones. Pero la teoría también demuestra claramente que observar el mismo evento de microlensión de dos perspectivas, desde la Tierra y de la órbita del telescopio espacial romano, por ejemplo, facilitará la instalación en las orbitas y las masas correctas. Eso es lo que los astrónomos planean actualmente, dijo Gaudí. “La AI sugirió una manera de mirar la ecuación de la lente en una nueva luz y descubrir algo realmente profundo de las matemáticas de ella”, dijo Bloom. “La AI es una especie de emergencia, ya que no solo este tipo de herramienta contundente que está en nuestra caja de herramientas, pero como algo que realmente es bastante inteligente. Junto a un experto como Keming, los dos pudieron hacer algo bastante fundamental”.
