کشف ۱۰۰ سیاره پنهان در داده‌های ناسا توسط هوش مصنوعی

ستاره‌شناسان دانشگاه واریک (University of Warwick) با استفاده از یک سامانه جدید هوش مصنوعی، وجود بیش از ۱۰۰ سیاره فراخورشیدی را تایید کرده‌اند؛ از جمله ۳۱ جهان که پیش‌تر شناسایی نشده بودند.

به گزارش سیناپرس، این گروه پژوهشی ابزار خود را بر داده‌های ماموریت ماهواره نقشه‌بردار فراخورشیدی گذران (Transiting Exoplanet Survey Satellite) به اختصار تس (TESS) اعمال کردند.

ماموریت TESS آسمان را برای یافتن افت‌های بسیار جزئی در روشنایی ستارگان پایش می‌کند؛ این افت‌ها زمانی رخ می‌دهد که یک سیاره در مسیر دید ما از مقابل ستاره میزبان خود عبور می‌کند (پدیده گذر).
نتایج این پژوهش که در نشریه (MNRAS) Monthly Notices of the Royal Astronomical Society منتشر شده، بر پایه تحلیل دقیق مشاهدات بیش از ۲٫۲ میلیون ستاره در چهار سال نخست فعالیت علمی ماموریت TESS است.

پژوهشگران بر سیاره‌هایی تمرکز کرده‌اند که بسیار نزدیک به ستاره‌های خود می‌چرخند و دوره مداری آنها کمتر از ۱۶ روز است. این رویکرد یکی از دقیق‌ترین برآورد‌ها را تاکنون درباره میزان فراوانی این سیاره‌های «نزدیک‌مدار» (close‑in planets) ارائه می‌دهد.

دکتر مارینا لافارگا ماگرو، پژوهشگر پسادکتری دانشگاه واریک و نویسنده نخست مقاله، می‌گوید: «با استفاده از سامانه جدیدی که توسعه داده‌ایم و RAVEN نام دارد، توانستیم ۱۱۸ سیاره تازه را تایید کنیم و بیش از ۲ هزار نامزد سیاره‌ای با کیفیت بالا شناسایی کنیم که نزدیک به هزار مورد از آنها کاملا جدید هستند.

این مجموعه یکی از دقیق‌ترین نمونه‌های سیاره‌های نزدیک‌مدار را فراهم می‌کند و به ما کمک می‌کند امیدوارکننده‌ترین سامانه‌ها را برای مطالعات آینده انتخاب کنیم».

شناسایی گونه‌های نادر و نامتعارف سیاره‌ای

سیاره‌های تازه تأییدشده شامل چند رده بسیار جالب هستند. برخی از آنها «سیاره‌های با دوره فوق‌کوتاه» (Ultra‑Short‑Period Planets) هستند که در کمتر از ۲۴ ساعت یک بار به دور ستاره خود می‌گردند. برخی دیگر در ناحیه‌ای موسوم به «بیابان نپتونی» (Neptunian Desert) قرار دارند؛ محدوده‌ای در نمودار اندازه و دوره مداری که بر اساس مدل‌های نظری، انتظار می‌رود سیاره‌های اندکی در آن یافت شوند.

این مطالعه همچنین سامانه‌های چندسیاره‌ای فشرده (tightly packed multi planet systems) را آشکار کرده است؛ از جمله جفت‌هایی از سیاره‌ها که پیش‌تر ناشناخته بودند و به دور یک ستاره مشترک گردش می‌کنند.

RAVEN چگونه شناسایی سیاره‌ها را بهبود می‌دهد

مأموریت‌های مدرن جستجوی سیاره معمولا هزاران نامزد احتمالی را گزارش می‌کنند؛ اما تشخیص این‌که کدام سیگنال‌ها واقعا ناشی از سیاره هستند همچنان چالش‌برانگیز است. بسیاری از سیگنال‌های کاذب می‌توانند رفتار سیاره‌ها را تقلید کنند؛ از جمله سامانه‌های «ستاره دوتایی گرفتی» (eclipsing binary stars).

دکتر آندریاس حاجی‌جئورگیو، از دانشگاه واریک و سرپرست توسعه سامانه RAVEN، توضیح می‌دهد: «چالش اصلی این است که مشخص کنیم آیا افت روشنایی واقعا ناشی از سیاره‌ای در حال گردش به دور ستاره است یا عامل دیگری؛ مانند یک سامانه دوتایی گرفتی. RAVEN دقیقا برای پاسخ به همین پرسش طراحی شده است.

نقطه قوت آن به مجموعه داده‌ای بازمی‌گردد که با دقت ساخته‌ایم و شامل صد‌ها هزار سیاره شبیه‌سازی‌شده واقع‌گرایانه و نیز دیگر رویداد‌های اخترفیزیکی است که می‌توانند خود را به‌جای سیاره نشان دهند. ما مدل‌های یادگیری ماشین را آموزش داده‌ایم تا الگو‌های موجود در داده‌ها را تشخیص دهند و نوع رویداد آشکارشده را تعیین کنند؛ قابلیتی که مدل‌های هوش مصنوعی در آن بسیار توانمند هستند».

او در ادامه می‌گوید: «RAVEN به‌گونه‌ای طراحی شده است که کل فرایند را به صورت یکپارچه انجام دهد: از آشکارسازی سیگنال، تا ارزیابی آن با یادگیری ماشین و در نهایت اعتبارسنجی آماری. همین یکپارچگی به این سامانه نسبت به ابزار‌های هم‌عصر که تنها بر بخش‌هایی از فرایند تمرکز دارند، برتری می‌دهد».

دکتر دیوید آرمسترانگ، دانشیار دانشگاه واریک و نویسنده همکار ارشد مطالعات RAVEN، می‌افزاید: «RAVEN به ما امکان می‌دهد مجموعه داده‌های عظیم را به صورت منسجم و عینی تحلیل کنیم. از آن‌جا که این سامانه به خوبی آزموده و اعتبارسنجی شده است، خروجی آن صرفا فهرستی از نامزد‌های احتمالی نیست، بلکه نمونه‌ای به اندازه کافی قابل اعتماد فراهم می‌کند که می‌توان از آن برای برآورد فراوانی انواع مختلف سیاره‌ها در اطراف ستاره‌های خورشیدمانند استفاده کرد».

اندازه‌گیری میزان واقعی فراوانی سیاره‌ها

با تکیه بر این مجموعه داده اعتبارسنجی‌شده، پژوهشگران توانستند فراتر از کشف‌های منفرد بروند و الگو‌های کلی‌تر را بررسی کنند. در یک مطالعه مکمل که آن نیز در نشریه MNRAS منتشر شده، آنان نرخ وقوع سیاره‌های نزدیک‌مدار پیرامون ستاره‌های خورشیدمانند را اندازه‌گیری کرده‌اند و نتایج را برحسب دوره مداری و اندازه سیاره با سطحی بی‌سابقه از جزئیات ترسیم کرده‌اند.

نتایج نشان می‌دهد حدود ۹ تا ۱۰ درصد ستاره‌های خورشیدمانند دست‌کم یک سیاره نزدیک‌مدار دارند. این یافته با نتایج پیشین ماموریت «کپلر» ناسا (Kepler Space Telescope) هم‌خوانی دارد؛ یعنی تلسکوپی فضایی که پیش‌تر نرخ وقوع سیاره‌ها (planet occurrence rate) را اندازه‌گیری کرده بود. با این حال، تحلیل جدید عدم‌قطعیت‌ها را تا حدود ده برابر کاهش داده است.

پژوهشگران همچنین نخستین اندازه‌گیری مستقیم از میزان نادر بودن سیاره‌های واقع در «بیابان نپتونی» را ارائه کرده‌اند و نشان داده‌اند این سیاره‌ها تنها در حدود ۰٫۰۸ درصد ستاره‌های خورشیدمانند یافت می‌شوند.

دکتر کایمینگ کوی، پژوهشگر پسادکتری دانشگاه واریک و نویسنده نخست این مطالعه آماری، می‌گوید: «برای نخستین بار می‌توانیم عددی دقیق ارائه دهیم که نشان می‌دهد این «بیابان» تا چه اندازه خالی است. این اندازه‌گیری‌ها نشان می‌دهد که ماموریت TESS اکنون می‌تواند در مطالعه جمعیت‌های سیاره‌ای با کپلر برابری کند و در برخی جنبه‌ها حتی از آن پیشی بگیرد».

آغاز دوره‌ای نو در کشف سیاره‌ها

مجموع این مطالعات نشان می‌دهد پیشرفت‌های هوش مصنوعی چگونه در حال دگرگون کردن اخترشناسی هستند. ترکیب مجموعه داده‌های عظیم با روش‌های یادگیری ماشین این امکان را فراهم می‌کند که هم سیاره‌های تازه کشف شوند و هم ابزار‌های تحلیل، در مواجهه با داده‌های واقعی و پیچیده، بهبود یابند.

این گروه همچنین فهرست‌های تعاملی و ابزار‌های برخط منتشر کرده‌اند تا دیگر پژوهشگران بتوانند نتایج را بررسی کنند و اهداف مناسب را برای رصد‌های پیگیری با تلسکوپ‌های زمینی و ماموریت‌های آینده – از جمله ماموریت PLATO متعلق به آژانس فضایی اروپا (ESA) – شناسایی کنند.

RAVEN چیست؟

RAVEN یک سامانه خودکار است که برای حل یکی از چالش‌های اساسی اخترشناسی طراحی شده است: تبدیل حجم عظیم داده‌های تلسکوپ‌های فضایی به کشفیات علمی قابل اعتماد.

این سامانه داده‌های مربوط به میلیون‌ها ستاره را پایش می‌کند تا افت‌های بسیار کوچک روشنایی را که ناشی از عبور سیاره‌ها از مقابل ستاره میزبانشان است، شناسایی کند. سپس با بهره‌گیری از هوش مصنوعی آموزش دیده بر پایه شبیه‌سازی‌های واقع‌گرایانه، سیگنال‌های کاذب – مانند سامانه‌های دوتایی یا نویز ابزار – را حذف می‌کند و در نهایت نامزد‌های قوی را از نظر آماری اعتبارسنجی می‌کند.

به نقل از آنا، نکته مهم آن است که RAVEN همچنین ارزیابی می‌کند کدام گونه‌های سیاره‌ای آسان‌تر یا دشوارتر آشکار می‌شوند و به این ترتیب به پژوهشگران کمک می‌کند سوگیری‌های پنهان در داده‌ها را اصلاح کنند؛

بنابراین این سامانه نه تنها روند کشف جهان‌های تازه را سرعت می‌بخشد بلکه مجموعه داده‌هایی پاک‌تر و قابل اعتمادتر فراهم می‌کند که می‌توان از آنها برای پاسخ به پرسش‌های بنیادی درباره میزان فراوانی گونه‌های مختلف سیاره در سراسر کهکشان استفاده کرد.