Umjetna inteligencija otkrila 31 skriveni planet u podacima misije TESS

U podacima NASA-ine misije TESS godinama su stajali signali planeta koje dosadašnje analize nisu uspjele pouzdano izdvojiti. Tek nakon što je tim astronoma sa Sveučilišta u Warwicku na više od 2,2 milijuna promatranih zvijezda primijenio novi sustav umjetne inteligencije nazvan RAVEN, iz istog arhiva potvrđeno je 118 egzoplaneta, među njima i 31 koji dotad nije bio prepoznat. Time nije proširen samo popis poznatih svjetova izvan Sunčeva sustava, nego je dobiven i jedan od dosad najčišćih uzoraka za proučavanje planeta koji kruže vrlo blizu svojih zvijezda.

Istraživači su se usredotočili na planete s kratkim orbitama, odnosno na one kojima za obilazak oko zvijezde treba manje od 16 dana. Upravo takvi svjetovi posebno su važni jer pomažu odgovoriti na jedno od ključnih pitanja moderne astronomije: koliko su zapravo česti planeti koji kruže blizu zvijezda sličnih Suncu.

Rezultati su objavljeni u časopisu MNRAS, a osim 118 potvrđenih planeta tim je izdvojio i više od 2000 vrlo kvalitetnih kandidata. Gotovo tisuću njih potpuno je novo. Među potvrđenim planetima nalaze se i neke osobito vrijedne skupine: ultra-kratkoperiodični planeti koji svoju zvijezdu obiđu za manje od 24 sata, rijetki planeti iz takozvane neptunske pustinje, gdje ih teorija očekuje vrlo malo, te višestruki sustavi u tijesnim orbitama, uključujući i ranije nepoznate parove planeta oko iste zvijezde.

Kako RAVEN odvaja signal od šuma

Najveći problem u lovu na egzoplanete odavno nije samo pronaći pad sjaja zvijezde, nego utvrditi što ga je uzrokovalo. Signal koji izgleda kao prolazak planeta ispred zvijezde često može doći i od drugih pojava, osobito od pomrčinskih dvojnih zvijezda. Upravo zato među tisućama kandidata uvijek ostaje velik broj lažnih tragova.

RAVEN je razvijen kako bi taj problem riješio na jednom mjestu. Tim sa Sveučilišta u Warwicku trenirao ga je na pažljivo sastavljenom skupu podataka koji uključuje stotine tisuća realistično simuliranih planeta, ali i drugih astrofizičkih događaja koji mogu oponašati planetarni signal. Modeli strojnog učenja zatim u tim uzorcima traže obrasce po kojima mogu razlikovati stvarni planet od prividnog signala.

Prednost sustava nije samo u tome što prepoznaje razliku između ta dva slučaja. RAVEN u istoj obradi prolazi cijeli postupak, od otkrivanja signala preko provjere strojnim učenjem do statističke potvrde. Autori zato ističu da ne služi samo za sastavljanje popisa mogućih planeta, nego i za izradu dovoljno pouzdanog uzorka na temelju kojega se može mjeriti koliko su pojedine vrste planeta doista raširene.

Preciznija karta bliskih svjetova

Kad su dobili tako dobro opisan uzorak, istraživači su mogli otići dalje od pojedinačnih otkrića. U pratećem radu, također objavljenom u MNRAS-u, analizirali su koliko se često planeti u tijesnim orbitama pojavljuju oko zvijezda sličnih Suncu, i to prema orbitalnom periodu i veličini planeta, s razinom detalja kakvu dosad nisu imali.

Pokazalo se da oko 9 do 10 posto zvijezda sličnih Suncu oko sebe ima barem jedan planet u tijesnoj orbiti. Taj je rezultat u skladu s ranijim mjerenjima NASA-ine misije Kepler, ali nova analiza pritom donosi i do deset puta manju nesigurnost. To znači da TESS, uz ovakav pristup obrade podataka, može jednako dobro, a u nekim slučajevima i preciznije od Keplera pokazati koliko su pojedine vrste planeta doista česte.

Posebno se izdvaja rezultat za neptunsku pustinju, područje u kojem se takvi planeti pojavljuju iznimno rijetko. Istraživači su prvi put izravno izmjerili koliko su rijetki i pokazali da se javljaju oko samo 0,08 posto zvijezda sličnih Suncu. Upravo zato ova dva rada zajedno nisu važna samo zbog novih planeta, nego i zato što pokazuju kako se golemi arhivi astronomskih podataka mogu pretvoriti u znatno precizniju kartu svjetova izvan našeg sustava. Tim je već objavio interaktivne kataloge i alate kako bi i drugi istraživači mogli birati najzanimljivije mete za buduća promatranja sa zemaljskim teleskopima i nadolazećim misijama poput ESA-ine PLATO.