• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • AI slår astronomer i att förutsäga exoplanets överlevnad

    Konstnärens intryck av Kepler-16b, upptäcktes av NASA:s Kepler -uppdrag och den första bekräftade cirkumbinära planeten. Det är en gasjätte som kretsar nära kanten av dess binära systems beboeliga zon. Upphovsman:T. Pyle / NASA / JPL-Caltech

    Konstgjord intelligens ger forskare nytt hopp för att studera planets beboelse, i en studie från astronomerna Chris Lam och David Kipping. Deras arbete tittar på så kallade "Tatooines, "och använder maskininlärningstekniker för att beräkna hur sannolikt sådana planeter är att överleva i stabila banor. Studien publiceras i tidskriften Månatliga meddelanden från Royal Astronomical Society .

    Cirkulära planeter är de planeter som kretsar runt två stjärnor istället för bara en, ungefär som den fiktiva planeten Tatooine i Star Wars -serien. Tiotals av dessa planeter har hittills upptäckts, men att räkna ut om de kan vara beboeliga eller inte kan vara svårt.

    Att flytta runt två stjärnor istället för bara en kan leda till stora förändringar i en planets bana, vilket innebär att det ofta antingen matas ut helt från systemet, eller så kraschar den våldsamt mot en av sina tvillingstjärnor. Traditionella metoder för att beräkna vilken av dessa som händer för en given planet blir betydligt mer komplicerade så snart den extra stjärnan kastas in i blandningen.

    "När vi simulerade miljontals möjliga planeter med olika banor med traditionella metoder, vi fann att planeter förutspåddes som stabila som uppenbarligen inte var det, och vice versa, "förklarar Lam, huvudförfattare till studien och en nyutexaminerad från Columbia University.

    Planeter måste överleva i miljarder år för att livet ska utvecklas, så att ta reda på om banor är stabila eller inte är en viktig fråga för beboelse. Det nya verket visar hur maskininlärning kan göra exakta förutsägelser även om standardmetoden - baserad på Newtons tyngd- och rörelselagar - går sönder.

    "Klassificering med många komplexa, sammankopplade parametrar är det perfekta problemet för maskininlärning, säger professor Kipping, arbetsledare för arbetet.

    Efter att ha skapat tio miljoner hypotetiska tatooiner med olika banor, och simulera var och en för att testa för stabilitet, denna enorma träningssats matades in i nätverket för djupinlärning. Inom bara några timmar, nätverket kunde utföra noggrannheten i standardmetoden.

    Fler cirkumbinära planeter ser ut att upptäckas av NASA:s Transiting Exoplanet Survey Satellite (TESS) uppdrag, och Lam förväntar sig att deras arbete hjälper:"Vår modell hjälper astronomer att veta vilka regioner som är bäst att söka efter planeter runt binära stjärnor. Detta kommer förhoppningsvis att hjälpa oss att upptäcka nya exoplaneter och bättre förstå deras egenskaper."


    © Vetenskap https://sv.scienceaq.com