Maskininlärning är ett kraftfullt verktyg som används för en mängd olika uppgifter i det moderna livet, från bedrägeriupptäckt och sortering av skräppost i Google, att göra filmrekommendationer på Netflix.

Nu har ett team av forskare från University of Toronto Scarborough utvecklat en ny metod för att använda den för att avgöra om planetsystem är stabila eller inte.

"Machine learning erbjuder ett kraftfullt sätt att tackla ett problem inom astrofysik, och det är att förutsäga om planetsystem är stabila, " säger Dan Tamayo, huvudförfattare till forskningen och en postdoktor vid Center for Planetary Science vid U of T Scarborough.

Maskininlärning är en form av artificiell intelligens som ger datorer möjligheten att lära sig utan att ständigt behöva programmeras för en specifik uppgift. Fördelen är att den kan lära datorer att lära sig och förändras när de utsätts för ny data, för att inte tala om att det också är väldigt effektivt.

Metoden som utvecklats av Tamayo och hans team är 1, 000 gånger snabbare än traditionella metoder för att förutsäga stabilitet.

"Tidigare har vi varit förkrossade i att försöka ta reda på om planetsystem är stabila med metoder som inte kunde hantera mängden data vi kastade på det, " han säger.

Det är viktigt att veta om planetsystem är stabila eller inte eftersom det kan berätta en hel del om hur dessa system bildades. Det kan också erbjuda värdefull ny information om exoplaneter som inte erbjuds av nuvarande observationsmetoder.

Det finns flera aktuella metoder för att upptäcka exoplaneter som ger information som planetens storlek och dess omloppsperiod, men de kanske inte ger planetens massa eller hur elliptisk deras bana är, som alla är faktorer som påverkar stabiliteten, konstaterar Tamayo.

Metoden som utvecklats av Tamayo och hans team är resultatet av en serie workshops vid U of T Scarborough om hur maskininlärning kan hjälpa till att ta itu med specifika vetenskapliga problem. Forskningen publiceras för närvarande online i Astrophysical Journal Letters .

"Det som är uppmuntrande är att våra resultat säger oss att det är värt det att investera veckor av beräkningar för att träna maskininlärningsmodeller eftersom det här verktyget inte bara är korrekt, det fungerar också mycket snabbare, " han lägger till.

Det kan också vara praktiskt när man analyserar data från NASA:s Transiting Exoplanet Survey Satellite (TESS) som ska lanseras nästa år. Det tvååriga uppdraget kommer att fokusera på att upptäcka nya exoplaneter genom att fokusera på de ljusaste stjärnorna nära vårt solsystem.

"Det kan vara ett användbart verktyg eftersom att förutsäga stabilitet skulle göra det möjligt för oss att lära oss mer om systemet, från de övre gränserna för massan till dessa planeters excentriciteter, säger Tamayo.

"Det kan vara ett mycket användbart verktyg för att bättre förstå dessa system."