Femtio potentiella planeter har bekräftats av en ny maskininlärningsalgoritm som utvecklats av forskare vid University of Warwick.

För första gången, astronomer har använt en process baserad på maskininlärning, en form av artificiell intelligens, att analysera ett urval av potentiella planeter och avgöra vilka som är verkliga och vilka som är "förfalskningar, " eller falska positiva, beräkna sannolikheten för varje kandidat att vara en sann planet.

Deras resultat rapporteras i en ny studie publicerad i Månatliga meddelanden från Royal Astronomical Society , där de också utför den första storskaliga jämförelsen av sådana planetvalideringstekniker. Deras slutsatser talar för att man använder flera valideringstekniker, inklusive deras maskininlärningsalgoritm, när man statistiskt bekräftar framtida upptäckter av exoplaneter.

Många exoplanetundersökningar söker igenom enorma mängder data från teleskop efter tecken på planeter som passerar mellan teleskopet och deras stjärna, känd som transitering. Detta resulterar i en kontrollampa i ljuset från stjärnan som teleskopet upptäcker, men det kan också orsakas av ett binärt stjärnsystem, störningar från ett föremål i bakgrunden, eller till och med små fel i kameran. Dessa falska positiva kan sållas bort i en planetarisk valideringsprocess.

Forskare från Warwicks institutioner för fysik och datavetenskap, samt Alan Turing Institute, byggt en maskininlärningsbaserad algoritm som kan skilja ut verkliga planeter från falska i de stora proven av tusentals kandidater som hittats av teleskopuppdrag som NASA:s Kepler och TESS.

Den tränades att känna igen riktiga planeter med hjälp av två stora prover av bekräftade planeter och falska positiva från det nu pensionerade Kepler-uppdraget. Forskarna använde sedan algoritmen på en datauppsättning av fortfarande obekräftade planetkandidater från Kepler, resulterade i 50 nya bekräftade planeter och den första som validerades av maskininlärning. Tidigare maskininlärningstekniker har rankat kandidater, men aldrig bestämt sannolikheten att en kandidat var en sann planet i sig, ett nödvändigt steg för planetvalidering.

Dessa 50 planeter sträcker sig från världar lika stora som Neptunus till mindre än jorden, med banor så långa som 200 dagar till så lite som en enda dag. Genom att bekräfta att dessa 50 planeter är verkliga, astronomer kan nu prioritera dessa för ytterligare observationer med dedikerade teleskop.

Dr David Armstrong, från University of Warwick Department of Physics, sa:"Algorithmen vi har utvecklat låter oss ta 50 kandidater över tröskeln för planetvalidering, uppgradera dem till riktiga planeter. Vi hoppas kunna tillämpa denna teknik på stora urval av kandidater från nuvarande och framtida uppdrag som TESS och PLATO. När det gäller planetvalidering, ingen har använt en maskininlärningsteknik tidigare. Maskininlärning har använts för att rangordna planetariska kandidater men aldrig i en probabilistisk ram, vilket är vad du behöver för att verkligen validera en planet. Istället för att säga vilka kandidater som är mer benägna att vara planeter, vi kan nu säga vad den exakta statistiska sannolikheten är. Om det finns mindre än 1 % chans att en kandidat är en falsk positiv, det anses vara en validerad planet."

Dr Theo Damoulas från University of Warwick Department of Computer Science, och biträdande direktör, Data Centric Engineering och Turing Fellow vid Alan Turing Institute, sa:"Probabilistiska tillvägagångssätt för statistisk maskininlärning är särskilt lämpade för ett spännande problem som detta inom astrofysik som kräver inkorporering av förkunskaper - från experter som Dr. Armstrong - och kvantifiering av osäkerhet i förutsägelser. Ett utmärkt exempel när den ytterligare beräkningskomplexiteten av probabilistiska metoder lönar sig avsevärt."

När den väl har byggts och tränats är algoritmen snabbare än befintliga tekniker och kan automatiseras helt, vilket gör den idealisk för att analysera de potentiellt tusentals planetkandidater som observerats i aktuella undersökningar som TESS. Forskarna hävdar att det borde vara ett av verktygen som ska användas tillsammans för att validera planeter i framtiden.

Dr. Armstrong tillägger:"Nästan 30 % av de kända planeterna hittills har validerats med bara en metod, och det är inte idealiskt. Att utveckla nya metoder för validering är önskvärt bara av den anledningen. Men maskininlärning låter oss också göra det mycket snabbt och prioritera kandidater mycket snabbare. Vi måste fortfarande lägga tid på att träna algoritmen, men när det väl är gjort blir det mycket lättare att tillämpa det på framtida kandidater. Du kan också införliva nya upptäckter för att successivt förbättra den. En undersökning som TESS förutspås ha tiotusentals planetkandidater och det är idealiskt att kunna analysera dem alla konsekvent. Snabb, automatiserade system som detta som kan ta oss hela vägen till validerade planeter i färre steg låter oss göra det effektivt."