Искусственный интеллект (ИИ) и машинное обучение (МО) вносят все больший вклад в астрономию. По мере того, как мощные телескопы и масштабные автоматизированные обзоры становятся все более распространенными, огромные объемы генерируемых ими данных требуют столь же мощных диагностических инструментов. Обсерватория Веры Рубин и ее огромные возможности по генерации данных наглядно это демонстрируют. Проект Legacy Survey of Time and Space обсерватории генерирует до 20 терабайт данных каждую ночь, и эти данные обрабатываются в специализированном центре.
Обсерватория Рубин в настоящее время является лидером по генерации данных, но миссии по поиску экзопланет, такие как Kepler и TESS, также генерируют собственные данные, которые нуждаются в анализе. Ученые все еще обрабатывают их, и со временем они все лучше и эффективнее используют ИИ и машинное обучение для «добычи» этих данных в поисках еще не обнаруженных экзопланет.
Группа ученых разработала инструмент машинного обучения, предназначенный исключительно для TESS. Он называется RAVEN, что расшифровывается как RANking and Validation of ExoplaNets (ранжирование и валидация экзопланет). Ученые, разработавшие его, описывают RAVEN как «новый конвейер проверки и валидации кандидатов в экзопланеты TESS».
В недавно опубликованной работе группа исследователей экзопланет использовала RAVEN для анализа данных транзитов TESS для более чем 2 миллионов звезд. Статья была опубликована в журнале Monthly Notices of the Royal Astronomical Society. Ведущий автор —Марина Лафарга Магро из Уорикского университета.
«Несмотря на большое количество подтвержденных экзопланет, существует еще большее число кандидатов, которые еще предстоит подтвердить», — пишут исследователи. «Одна из главных проблем при подтверждении кандидатов в транзитные планеты — это многочисленные ложные срабатывания (ЛС), часто встречающиеся в подобных поисках». К ложным срабатываниям относятся затменные двойные звезды, сигналы от звездной изменчивости или инструментальных систем, а также «иерархические системы, создающие транзиты в фоновых или близлежащих звездах». Они могут выглядеть как транзитные планеты, и в процессах обработки данных могут возникать ошибки.
В этой работе исследователи сосредоточились на экзопланетах, расположенных очень близко к своим звездам. «Наша цель — обнаружить кандидатов с периодами обращения от 0,5 до 16 дней», — объясняют авторы. Сюда входят планеты с периодами обращения менее одного земного дня, называемые ультракороткопериодическими планетами (УКП). Эти планеты интересны по многим причинам. Ученые считают, что они никак не могли образоваться там, где сейчас находятся, и полагают, что они мигрировали. Кроме того, их атмосферы были выброшены звездами. Их также легче обнаружить из-за их близкого расположения к звездам.
Результаты RAVEN впечатляют.
«Используя разработанный нами недавно конвейер обработки данных RAVEN, мы смогли подтвердить существование 118 новых планет и более 2000 высококачественных кандидатов в планеты, почти 1000 из которых являются совершенно новыми», — говорит Магро. «Это представляет собой одну из наиболее хорошо изученных выборок планет, расположенных близко друг к другу, и поможет нам определить наиболее перспективные системы для будущих исследований».
Некоторые популяции экзопланет нуждаются в более глубоком изучении, и RAVEN подтвердил наличие представителей нескольких различных популяций. К ним относятся USP (универсальные звездные системы), многопланетные системы на близких орбитах и экзопланеты в Нептунианской пустыне. Нептунианская пустыня — это особенность популяции экзопланет. Это область, расположенная близко к звезде, где экзопланеты движутся по орбитам с периодом около 2–4 дней. Астрономы обнаружили в этой зоне очень мало экзопланет массой с Нептун.
Телескоп TESS идентифицировал экзопланеты по затемнению звезды, когда планеты проходили перед ней. Хотя этот метод эффективен, он подвержен ложным срабатываниям.
«Задача состоит в том, чтобы определить, действительно ли затемнение вызвано планетой, вращающейся вокруг звезды, или чем-то другим, например, затменными двойными звездами, и именно на этот вопрос пытается ответить RAVEN. Его сила заключается в тщательно созданном нами наборе данных, содержащем сотни тысяч реалистично смоделированных планет и других астрофизических событий, которые могут маскироваться под планеты. Мы обучили модели машинного обучения выявлять закономерности в данных, которые могут указать на тип обнаруженного события, — в этом модели искусственного интеллекта преуспевают», — объяснил Андреас
Хаджигеоргиу из Уорикского университета, возглавлявший разработку этого алгоритма. «Кроме того, RAVEN разработан для обработки всего процесса за один раз: от обнаружения сигнала до его проверки с помощью машинного обучения и статистической валидации. Это дает конвейеру дополнительное преимущество перед современными инструментами, которые фокусируются только на определенных этапах рабочего процесса».
Исследователи подчеркивают, что RAVEN — это не просто еще один автоматизированный инструмент машинного обучения, а нечто большее, чем просто составление списка потенциальных кандидатов в экзопланеты. По словам доктора Дэвида Армстронга, доцента Уорикского университета и старшего соавтора, он достаточно надежен, чтобы «составить карту распространенности различных типов планет вокруг звезд, подобных Солнцу».
Результаты работы RAVEN позволили более детально, чем в предыдущих исследованиях, определить период обращения и размер планет. Это имеет решающее значение в науке об экзопланетах. Заголовки часто трубят об открытии одной-единственной новой планеты с интригующими свойствами, но это не отражает реальную картину популяции экзопланет. Ученым действительно необходимо более детальное понимание популяции экзопланет. Истинные закономерности природы проявляются только при наличии более качественных данных. То, как планеты формируются, эволюционируют, развивают атмосферы и геологические циклы — и даже как они мигрируют — является ключом к пониманию того, как возник мир, подобный Земле, и как он оставался обитаемым на протяжении миллиардов лет.
В этом контексте изучение экзопланет, которые не имеют шансов быть обитаемыми, по-прежнему актуально. Исследователям удалось определить частоту встречаемости экзопланет, находящихся на близких к Солнцу орбитах, а также получить более полное представление о «нептуновой пустыне».
Результаты показывают, что примерно у 8–10% звёзд, подобных Солнцу, есть планеты, расположенные на близких к нему орбитах. Это согласуется с результатами миссии «Кеплер», но в данном случае телескопу RAVEN удалось очень эффективно уменьшить неопределённость в данных «Кеплера».
Результаты также показывают, что пустыня Нептуна действительно представляет собой почти безжизненную экзопланетную пустошь. Только 0,08% звезд, подобных Солнцу, вращаются вокруг планет в пустыне Нептуна.
«Впервые мы можем точно оценить, насколько пуста эта „пустыня“», — сказал соавтор исследования Кайминг Цуй из Уорикского университета. «Эти измерения показывают, что TESS теперь может сравниться, а в некоторых случаях и превзойти Kepler в изучении планетных популяций».
По информации https://planet-today.ru/novosti/nauka/item/191610-analiz-dannykh-tess-s-pomoshchyu-ii-vyyavil-sto-novykh-ekzoplanet
Обозрение "Terra & Comp".
