Unga stjärnor - precis som unga människor - är benägna att bli blossar. Men stjärnflammor kan förbränna allt omkring dem, inklusive atmosfärerna på närliggande planeter som börjar bildas.

Att ta reda på hur ofta unga stjärnor får utbrott kan hjälpa forskare att förstå var de ska leta efter beboeliga planeter. Men tills nu, att leta efter dessa bloss involverade att granska tusentals mätningar av variationer i stjärnans ljusstyrka, kallas ljuskurvor, med ögat.

Nu, ett internationellt team av forskare inklusive UNSW Sydneys Dr. Ben Montet har använt maskininlärning för att göra sökningen snabbare och mer effektiv

Forskarna lärde ett neuralt nätverk - en typ av artificiell intelligens - för att upptäcka de avslöjade ljusmönstren för en stjärnflamma.

"Med hjälp av det neurala nätverket, vi kunde hitta mer än 23, 000 flammor över tusentals unga stjärnor, sade doktor Montet, Scientia Lektor vid UNSW Science och medförfattare till studien.

"Att hitta stjärnflammor - som kan vara dödliga för de utvecklande atmosfärerna på närliggande planeter - kan hjälpa oss att ta reda på var vi ska leta efter beboeliga planeter."

Resultaten, publicerades under helgen i Astronomisk tidskrift och Journal of Open Source Software, erbjuda ett nytt riktmärke för användningen av AI inom astronomi, samt en bättre förståelse för utvecklingen av unga stjärnor och deras planeter.

"När vi säger ung, vi menar bara en miljon till 800 miljoner år gamla, sa Adina Feinstein, en doktorand vid University of Chicago och första författare på tidningen.

"Alla planeter nära en stjärna bildas fortfarande vid denna tidpunkt. Det här är en särskilt bräcklig tid, och ett bloss från en stjärna kan lätt förånga allt vatten eller atmosfär som har samlats in."

Kasta ett neuralt nät

NASA:s TESS-teleskop, ombord på en satellit som har kretsat runt jorden sedan 2018, är speciellt utformad för att söka efter exoplaneter. Blossar från avlägsna stjärnor dyker upp på TESSs bilder, men traditionella algoritmer har svårt att plocka ut formen från bakgrundsljudet från stjärnaktivitet.

Men neurala nätverk är särskilt bra på att leta efter mönster – som Googles AI som plockar katter ur internetbilder – och astronomer har alltmer börjat titta på dem för att klassificera astronomiska data.

Ms Feinstein och Dr. Montet arbetade med ett team av forskare från NASA, Flatiron Institute, Fermi National Accelerator Laboratory, Massachusetts Institute of Technology och University of Texas i Austin för att dra ihop en uppsättning identifierade bloss och icke-flares för att träna det neurala nätet.

"Det neurala nätet visade sig vara riktigt bra på att hitta små bloss, sade doktor Montet, som var huvudutredare i studien.

"De är faktiskt väldigt svåra att hitta med andra metoder."

När forskarna väl var nöjda med det neurala nätets prestanda, de tillämpade det på hela datauppsättningen:mer än 3, 200 stjärnor.

De fann att stjärnor som vår sol bara har ett fåtal blossar, och dessa bloss verkar försvinna efter cirka 50 miljoner år.

"Detta är bra för att främja planetariska atmosfärer - en lugnare stjärnmiljö betyder att atmosfärerna har en bättre chans att överleva, " sa Feinstein.

I kontrast, kallare stjärnor som kallas röda dvärgar tenderade att blossa mycket oftare.

"Röda dvärgar har setts vara värd för små steniga planeter; om dessa planeter bombarderas när de är unga, detta kan visa sig vara skadligt för att behålla någon atmosfär, " Hon sa.

Letar efter beboeliga planeter

Resultaten hjälper forskare att förstå oddsen för att beboeliga planeter ska överleva runt olika typer av stjärnor, och hur atmosfärer bildas. Detta kan hjälpa dem att hitta de mest sannolika platserna att leta efter beboeliga planeter på andra ställen i universum.

Forskarna undersökte också sambandet mellan stjärnflammor och stjärnfläckar, som den vi ser på vår egen solyta.

"Den fläckigaste vår sol någonsin är kanske 0,3% av ytan, " sa doktor Montet.

"För några av dessa stjärnor vi ser, ytan är i princip alla fläckar. Detta förstärker tanken att fläckar och blossar är sammankopplade, som magnetiska händelser."

Forskarna vill sedan anpassa det neurala nätet för att leta efter planeter som lurar runt unga stjärnor.

"För närvarande känner vi bara till ett dussin yngre än 50 miljoner år, men de är så värdefulla för att lära sig hur planetariska atmosfärer utvecklas, " sa Feinstein.

Dr. Montet kommer också att utöka detta neurala nätramverk vid UNSW.

"Vi kommer att tillämpa samma metoder i ett sökande efter unga planeter i samma datauppsättning, " han sa.

"Detta kommer förhoppningsvis att leda till en "ökning av maskinerna" där vi kan tillämpa maskininlärningsalgoritmer för att hitta ett gäng spännande nya planeter med samma metoder."