Google AI descobre dois novos exoplanetas em sistemas solares distantes usando aprendizado profundo

• O Google usou a Deep Neural Network para analisar os dados do Kepler. 
• Eles encontraram dois novos exoplanetas – Kepler-90i e Kepler-80g. 
• O modelo que desenvolveram tem cerca de 96% de precisão na distinção entre planetas e não-planetas. 

Durante muitos séculos, as pessoas olharam para as estrelas, notaram alguns padrões e registaram observações. Uma das primeiras coisas descobertas no espaço foram os planetas, que os gregos chamavam de “errantes” ou “planētai” devido aos seus movimentos irregulares. Gradualmente, descobrimos que nosso sistema solar abriga vários planetas que giram em torno do Sol.

Com a ajuda de tecnologias modernas como câmaras digitais, voos espaciais, óptica de telescópios e computadores, podemos alargar o nosso conhecimento para além do nosso próprio sistema solar e detectar/identificar planetas a milhares de anos-luz de distância da Terra. Eles são chamados de exoplanetas – parte de outro sistema solar distante no espaço.

No entanto, encontrar exoplanetas é uma tarefa extremamente difícil. Ao contrário das estrelas hospedeiras, são pequenas, frias e escuras. Atualmente, usamos técnicas de aprendizado de máquina para localizar exoplanetas com precisão. Uma dessas técnicas é usada pelo Google, e eles detectaram dois exoplanetas, chamados Kepler 90i, orbitando uma estrela anã amarela Kepler 90, e Kepler-80g, orbitando em torno de Kepler 80. Vamos descobrir como eles fizeram isso.

Dados usados

O principal método para pesquisar exoplanetas é analisar uma grande quantidade de dados capturados pelo Telescópio Espacial Kepler da NASA usando análise manual e software automatizado. Em 4 anos, o telescópio observou cerca de 200 mil estrelas, capturando uma imagem a cada meia hora. Único instrumento científico do Kepler, o Fotômetro monitora continuamente o brilho de mais de 145.000 estrelas da sequência principal em um campo de visão fixo. Estes dados são enviados para a Terra e depois examinados em profundidade para identificar o escurecimento periódico do exoplaneta causado pela rotação em torno da sua estrela hospedeira.

Tudo isso gera cerca de 14 bilhões de pontos de dados, que se traduzem em aproximadamente 2 quatrilhões de órbitas planetárias possíveis. Mesmo o computador mais poderoso leva muito tempo para processar essas enormes quantidades de dados. Para tornar esse processo mais rápido e eficiente, o Google utilizou ferramentas e técnicas de Deep Learning.

A abordagem de aprendizado de máquina

O aprendizado de máquina é a forma de inteligência artificial que ensina o computador a reconhecer padrões específicos. É especificamente útil para compreender grandes volumes de dados. Aqui, a ideia é permitir que as máquinas aprendam por meio de treinamento e exemplos, em vez de programá-las com regras específicas.

Crédito da imagem:NASA

O aprendizado profundo, que é um tipo de aprendizado de máquina, usa camadas computacionais para criar recursos complexos e progressivos que são úteis para problemas de classificação. Por exemplo, um modelo de classificação de imagens profundas pode primeiro reconhecer recursos de borda simples que podem ser usados ​​posteriormente para detectar cantos e curvas, até que a camada de recursos final do modelo possa distinguir entre objetos complexos.

As redes neurais profundas (tipo de modelo de aprendizagem profunda) tornaram-se o que há de mais moderno em diversas tarefas, incluindo classificação de imagens. Na maioria das vezes tem um desempenho melhor do que os modelos desenvolvidos com recursos desenhados à mão. Uma rede neural é treinada para minimizar uma função de custo que mede a distância entre suas previsões e os rótulos verdadeiros do conjunto de treinamento.

A equipe de IA do Google usou um conjunto de dados de mais de 15.000 sinais do Kepler para criar um modelo do TensorFlow para distinguir planetas de outros corpos celestes. Para fazer isso, o sistema teve que detectar e reconhecer o padrão real do planeta versus os padrões causados ​​por outros corpos, como estrelas binárias e manchas estelares.

Eles desenvolveram uma rede neural profunda para examinar automaticamente os eventos de cruzamento do limiar do Kepler (TCEs – sinais periódicos detectados, que podem ser consistentes com planetas em trânsito). O modelo usa curvas de luz como entradas e é treinado em um conjunto de Kepler TCEs classificados por humanos.

As visualizações de entrada são alimentadas por meio de colunas de convolução separadas – um método bem-sucedido em classificações de imagens anteriores. É capaz de distinguir corpos espaciais com uma precisão decente – as diferenças sutis entre o exoplaneta em trânsito real e falsos positivos, como artefatos de instrumentos, binários eclipsantes e variabilidade estelar.

Referência:Harvard.edu

Resultados

Quando o modelo foi testado em sinais, ele distinguiu corretamente os sinais gerados por planetas e outros não-planetas, com uma precisão de 96 por cento. Além disso, 98,8 por cento das vezes classificou os sinais plausíveis do planeta acima dos sinais falsos positivos.

Leia:NASA usará inteligência artificial para redes de comunicação espacial

Para restringir a pesquisa, observaram 670 estrelas que já possuem dois ou mais exoplanetas. Durante o processamento, eles encontraram dois novos exoplanetas – Kepler-90i e Kepler-80g. O planeta Kepler 90i gira em torno de Kepler-90, uma estrela anteriormente conhecida por hospedar 7 planetas em trânsito. Considerando que Kepler-80g faz parte de uma cadeia de 5 planetas em torno da estrela Kepler-80, com um período orbital quase correspondente à previsão das relações de Laplace de 3 corpos.

Quase 13% maior que a Terra, Kepler-80g (o planeta mais externo em seu sistema) tem um período orbital de 14,6 dias e 89,35 +0,47-0,98 graus de inclinação.

Crédito da imagem:blog do Google

Kepler-90i é 34% maior que a Terra, com um período de órbita de 14,45 dias. Está a 2.545 anos-luz de distância da Terra, na constelação de Draco. Ele está localizado entre Kepler-90c (8,7 dias) e Kepler-90d (59,7 dias) com uma temperatura de superfície extremamente quente – 436 °C.

O que vem a seguir?

Quando se trata das possibilidades da rede neural profunda, o céu é o limite. De 200 mil estrelas, o modelo é usado para pesquisar apenas 670 delas. Pode haver centenas de milhares de exoplanetas ainda não descobertos nos dados do Kepler. As novas técnicas, como o aprendizado profundo, ajudarão os astrônomos e os físicos a descobrir coisas que estão além do alcance humano.

Leia:A inteligência artificial do Google cria uma IA que supera o código humano

Este modelo poderá ser modificado no futuro para melhorar sua precisão e diminuir os tipos conhecidos de falsos positivos. Por exemplo, podemos

• Aumente o conjunto de treinamento incorporando dados simulados ou dados não rotulados (o modelo atual usa apenas cerca de 15.000 exemplos rotulados).
• Melhore a rotina de engorda para reduzir o número de sinais devido à variabilidade estelar que são classificados como prováveis planetas.
• Adicione alguma forma de informação de centróide na representação de entrada para melhorar a capacidade do sistema de classificar trânsitos que ocorrem em uma estrela de fundo em vez de na estrela alvo.
• Divida a visualização local em vários segmentos para permitir que o sistema analise a consistência dos trânsitos entre diferentes segmentos do conjunto de dados.