"Una de las novedades de este estudio es el análisis de entornos en los que aún se están formando planetas", explica en un comunicado Jason Terry, estudiante de doctorado del departamento de física y astronomía y autor principal del estudio. "El aprendizaje automático rara vez se ha aplicado antes al tipo de datos que estamos utilizando, específicamente para observar sistemas que aún están formando planetas activamente".
El primer exoplaneta se encontró en 1992 y, aunque se sabe que existen más de 5,000, estos han sido de los más fáciles de encontrar para los científicos. Los exoplanetas en fase de formación son difíciles de ver por dos razones principales. Están demasiado lejos, a menudo a cientos de años luz de la Tierra, y los discos donde se forman son muy gruesos, más que la distancia de la Tierra al Sol. Los datos sugieren que los planetas tienden a estar en medio de estos discos, transmitiendo una firma de polvo y gases levantados por el planeta.
La investigación demostró que la inteligencia artificial puede ayudar a los científicos a superar estas dificultades.
"Se trata de una prueba de concepto muy interesante", afirma Cassandra Hall, profesora adjunta de Astrofísica, investigadora principal del Grupo de Investigación sobre Exoplanetas y Formación de Planetas y coautora del estudio. "La ventaja es que hemos utilizado exclusivamente datos sintéticos de telescopios generados por simulaciones informáticas para entrenar esta IA y luego la hemos aplicado a datos de telescopios reales. Esto nunca se había hecho antes en nuestro campo, y allana el camino para un diluvio de descubrimientos a medida que lleguen los datos del telescopio James Webb".
Este telescopio ofrece a los científicos la posibilidad de observar sistemas exoplanetarios con una resolución extremadamente brillante y elevada, siendo los propios entornos en formación un tema de gran interés, ya que determinan el sistema solar resultante.
"El potencial de datos de calidad es enorme, por lo que es un momento muy emocionante para este campo", afirma Terry.
Se necesitan urgentemente herramientas analíticas de nueva generación para acoger estos datos de alta calidad, de modo que los científicos puedan dedicar más tiempo a interpretaciones teóricas en lugar de peinar meticulosamente los datos e intentar encontrar pequeñas firmas.
Terry afirma que esto es lo que el aprendizaje automático ya puede conseguir: mejorar la capacidad humana para ahorrar tiempo y dinero, así como orientar eficazmente el tiempo científico, las inversiones y las nuevas propuestas.
"Dentro de la ciencia, y en particular de la astronomía en general, sigue habiendo escepticismo sobre el aprendizaje automático y la IA, una crítica válida de que se trata de una caja negra en la que tienes cientos de millones de parámetros y de alguna manera obtienes una respuesta. Pero creemos haber demostrado con creces en este trabajo que el aprendizaje automático está a la altura de las circunstancias. Se puede discutir sobre la interpretación. Pero en este caso, tenemos resultados muy concretos que demuestran la potencia de este método".
El trabajo del equipo de investigación está diseñado para desarrollar una base concreta para futuras aplicaciones sobre datos observacionales, demostrando la eficacia del método mediante observaciones simuladas.
La investigación se publica en The Astrophysical Journal.