Un estudio plantea que el aprendizaje de máquina puede permitir acelerar la búsqueda de mundos habitables. La astronomía moderna se está beneficiando enormemente de la Inteligencia Artificial (IA) y el Aprendizaje de Máquina (ML, por sus siglas en inglés). Hoy en día, son herramientas esenciales…
Este artículo, publicado en dos partes, profundiza en la utilidad del aprendizaje de máquina para analizar la atmósfera de mundos habitables. Esta es la primera parte.
Acelerar la búsqueda de mundos habitables con la tecnología
El aprendizaje de máquina permite analizar grandes cantidades de datos, buscando patrones específicos, a un ritmo que ningún ser humano puede igualar. Es algo importantísimo porque, con el paso del tiempo, la cantidad de datos que se recopila diariamente es cada vez mayor. Por el tamaño de la Vía Láctea, los exoplanetas están muy lejos. Por lo que los más interesantes son los que están suficientemente cerca como para poder captar su espectro. La espectroscopia permite separar la luz en diferentes longitudes de onda.
Así, se puede obtener mucha información cuando, por ejemplo, la luz de una estrella pasa por la atmósfera de un planeta. Después, los astrónomos estudian la luz en busca de pistas de ciertas moléculas. El inconveniente es que las biofirmas, en las atmósferas de otros planetas, pueden deberse a procesos no biológicos, en lugar de ser consecuencia de la vida. La espectroscopia es muy potente, pero también se enfrenta a sus propios desafíos. La actividad de una estrella (como llamaradas y manchas estelares) puede contaminar la señal.
La luz de la atmósfera puede ser muy tenue en comparación a la de la estrella. Si hay nubes o neblina, la detección de moléculas puede verse dificultada. La dispersión de Rayleigh también añade más dificultad y, por supuesto, puede haber varias interpretaciones para una misma señal. Cuanto más ruido haya en la señal, peor será la relación señal/ruido (SNR). Los datos ruidosos (es decir, datos con un SNR bajo) son un problema importante. Todavía se están descubriendo diferentes tipos de exoplanetas y atmósferas…
Mucho por comprender y descubrir
Los modelos y técnicas de análisis todavía no están completados. Al combinarlo con un SNR bajo, se convierte en un reto enorme. Sin embargo, un estudio plantea que el aprendizaje de máquina puede ayudar. Permitiría clasificar mejor las posibles biofirmas que se capten en exoplanetas terrestres. El telescopio James Webb es una herramienta fantástica en cuanto a espectroscopia y ha proporcionado resultados muy interesantes. El inconveniente es que el tiempo de observación disponible es muy limitado. Algunas tareas requieren de mucho tiempo de observación.
Sería necesario una gran cantidad de tránsitos (pasos del planeta por delante de su estrella) para poder detectar cosas como ozono. Pero el telescopio James Webb se utiliza en multitud de estudios, por lo que no se puede dedicar una gran cantidad de tiempo de observación a una única tarea. En un trabajo, se calculó que serían necesarios 200 tránsitos del exoplaneta TRAPPIST-1e para poder realizar detecciones importantes. Si la búsqueda se reduce a metano y vapor de agua, la cantidad de tránsitos necesarios es mucho más baja.
Sin embargo, el metano no es una biofirma tan fuerte como el ozono. Los investigadores explican que, para detectar algunas de las biofirmas, podría ser mejor utilizar el telescopio James Webb para realizar encuestas de relación señal/ruido. Aunque no permitiría grandes descubrimientos por sí mismo, sí permitiría planificar observaciones posteriores, de aquellos objetivos más interesantes, con telescopios actuales y futuros (más potentes). Con todo esto en mente, los investigadores han desarrollado una herramienta de aprendizaje de máquina.
Una herramienta para acelerar la búsqueda de mundos habitables en nuestro entorno
Prometen que es capaz de acelerar la búsqueda de mundos habitables con la ayuda de la inteligencia artificial. Muchos de los datos de espectroscopia de atmósferas de exoplanetas es ruido. Esta herramienta ha sido concebida para procesarlo, determinar el nivel de ruido y clasificar atmósferas que puedan contener metano, ozono y/o agua, u otros elementos interesantes para realizar más observaciones. Han generado un millón de espectros simulados de atmósferas (basándose en TRAPPIST-1e) y después han entrenado su modelo con esos datos.
TRAPPIST-1e es interesante porque tiene un tamaño parecido al de la Tierra y es un planeta rocoso en la zona habitable de su estrella. La estrella TRAPPIST-1 es conocida por tener la mayor cantidad de planetas rocosos (siete) de cualquier sistema conocido. Es un candidato ideal, para los investigadores, para entrenar y poner a prueba los modelos de aprendizaje de máquina. TRAPPIST-1e, seguramente, tenga una atmósfera compacta, como la de la Tierra. Los modelos resultantes del entrenamiento lograron identificar con éxito el espectro de transmisión.
Además, con un nivel de ruido adecuado. A esto hay que sumarle las pruebas en modelos sintéticos (realistas) del espectro atmosférico de la Tierra en la actualidad. El sistema ha sido capaz de identificar correctamente esas atmósferas sintéticas que contenían metano y ozono en una proporción similar a la de la Tierra en el proterozoico. En aquella época, la atmósfera de nuestro planeta sufrió una transformación fundamental gracias a la Gran Oxigenación. Un fenómeno que cambió por completo las condiciones de nuestro planeta…
La segunda parte (y última) de este artículo, se publica este jueves, 8 de agosto. de 2024.
Referencias: Universe Today
Deja un comentario