✨︎ Resumen (TL;DR):
- Astrónomos de la Universidad de Warwick implementaron un pipeline de machine learning para analizar datos del satélite TESS.
- El sistema revisó 2.2 millones de estrellas y validó 118 exoplanetas, incluyendo 31 detecciones completamente nuevas.
- La herramienta permite clasificar mundos de periodo ultra corto y supera las métricas de mapeo de misiones previas.
Astrónomos de la Universidad de Warwick desarrollaron un sistema de inteligencia artificial que validó 118 exoplanetas previamente sin confirmar ocultos en los datos del satélite TESS de la NASA. La investigación, publicada en la revista Monthly Notices of the Royal Astronomical Society, demuestra cómo el aprendizaje automático acelera el análisis astronómico a gran escala.
RAVEN (RAnking and Validation of ExoplaNets) es un pipeline automatizado que combina detección de señales, machine learning y validación estadística para clasificar eventos planetarios en bases de datos masivas.
El software procesó observaciones de más de 2.2 millones de estrellas recopiladas durante los primeros cuatro años de la misión TESS. El escaneo se enfocó exclusivamente en planetas que orbitan cerca de su estrella anfitriona con periodos inferiores a 16 días.
“Usando nuestro pipeline RAVEN recién desarrollado, pudimos validar 118 planetas nuevos y más de 2,000 candidatos a planetas de alta calidad, casi 1,000 de ellos completamente nuevos”, declaró la Dra. Marina Lafarga Magro, investigadora postdoctoral en la Universidad de Warwick y autora principal del estudio.
Mapeando el ‘Desierto Neptuniano’
TESS localiza planetas al medir caídas minúsculas en el brillo de una estrella cuando un objeto pasa frente a ella. Sin embargo, eclipses de estrellas binarias o ruido instrumental pueden imitar estas señales.
Para resolver este problema, los modelos de la universidad fueron “entrenados para identificar patrones en los datos que pueden decirnos el tipo de evento que hemos detectado, algo en lo que los modelos de IA sobresalen”, detalló el Dr. Andreas Hadjigeorghiou, líder del desarrollo del software.
Entre los hallazgos validados, el equipo identificó categorías planetarias inusuales: * Mundos de periodo ultra corto que completan una órbita en menos de 24 horas. * Sistemas multiplanetarios previamente desconocidos. * Planetas ubicados en el “desierto neptuniano”, una región del espacio donde los modelos teóricos indican que la presencia de cuerpos celestes debería ser escasa.
“Por primera vez, podemos poner un número preciso sobre qué tan vacío está este ‘desierto'”, indicó el Dr. Kaiming Cui, investigador postdoctoral en Warwick. “Estas medidas muestran que TESS ahora puede igualar, y en algunos casos superar, a Kepler para estudiar poblaciones planetarias”.
El equipo ya cuenta con un historial sólido en este campo. En 2020, el grupo de investigación del Dr. David Armstrong fue el primero en validar exoplanetas usando IA al confirmar 50 mundos en los archivos de Kepler.
“RAVEN nos permite analizar conjuntos de datos enormes de manera consistente y objetiva”, señaló el Dr. Armstrong. “Esta no es solo una lista de planetas potenciales; también es lo suficientemente confiable como para usarla como muestra para mapear la prevalencia de distintos tipos de planetas alrededor de estrellas similares al sol”.
Los investigadores liberaron catálogos interactivos y herramientas de código abierto. Esto permitirá que observatorios terrestres y futuras misiones espaciales, como el proyecto PLATO de la Agencia Espacial Europea, seleccionen sus próximos objetivos con precisión algorítmica.
