El aprendizaje de máquina (ML), por sus siglas en inglés, promete ser una herramienta fantástica para estudiar exoplanetas que puedan ser habitables. El análisis de las atmósferas, de esos mundos suficientemente cercanos, podría permitir obtener mucha información útil…
Esta es la segunda parte (y final) de dos artículos dedicados a un estudio en el que un grupo de investigadores analiza la utilidad de los modelos de aprendizaje de máquina para estudiar posibles exoplanetas habitables. La primera parte está disponible aquí.
El aprendizaje de máquina para estudiar exoplanetas habitables
Los investigadores han puesto a prueba sus modelos con diferentes simulaciones de atmósferas. El hecho de que fuese capaz de detectar, con éxito, atmosferas sintéticas que contenían metano y/o ozono en una proporción similar a la de la Tierra en el proterozoico es interesante. En aquel momento se produjo un fenómeno conocido como la Gran Oxigenación. Transformó la atmósfera de nuestro planeta de una manera muy profunda. Permitió que se formase la capa de ozono y creó las condiciones adecuadas para que la vida compleja pudiese florecer.
También desembocó en la formación de grandes depósitos de hierro que, incluso hoy en día, están utilizándose para obtener material. Si otros exoplanetas llegaron a tener vida fotosintética, sus atmósferas deberían ser muy similares a la Tierra durante el proterozoico. Por ello, es un indicador muy importante para la vida biológica. El reciente descubrimiento de oxígeno oscuro podría ser un punto de inflexión, del mismo modo. Se trata de oxígeno molecular localizado a gran profundidad en los océanos del planeta. A tanta profundidad que la fotosíntesis no es un mecanismo plausible.
Esto pone en duda que el oxígeno molecular solo pueda obtenerse durante procesos biológicos. Naturalmente, implica que podría ser una biofirma mucho menos robusta de lo que se pensaba hasta el momento. Ya que su origen, al igual que sucede con otras posibles señales biológicas, podría encontrarse tanto en procesos biológicos (con la participación de la vida) como en procesos abióticos (sin la participación de vida). En su trabajo, los investigadores consideran la detección de oxígeno u ozono como la joya de la corona en cuanto a firmas espectroscópicas de un exoplaneta.
La dificultad de las biofirmas
En realidad, sin llegar a considerar siquiera el oxígeno oscuro, es necesario tener presente que existen las fuentes abióticas. Que ese oxígeno u ozono sean producto de la actividad biológica, es algo que se podrá determinar en función de qué otras cosas estén presentes en esa misma señal. Habrá que fijarse en sus características para poder diferenciar entre oxígeno molecular biótico o abiótico. Para poder medir el rendimiento del modelo, necesitan saber mucho más que qué atmósferas de exoplanetas han sido identificadas correcta o erróneamente.
Los resultados de esos modelos de aprendizaje de máquina, además, deben ser clasificados como positivos o negativos auténticos. Algo que está relacionado con su precisión. Así como falsos positivos o negativos (que son errores). Para organizar los datos, han creado un sistema de clasificación al que llaman matriz de confusión. De los modelos puestos a prueba, explican que uno fue capaz de identificar posibles biofirmas, en la atmósfera de la Tierra proterozoica, tras solo un tránsito. Basándose en sus pruebas, estiman hasta dónde llegaría el telescopio James Webb.
Creen que detectaría con éxito la mayoría de planetas rocosos habitados que se estudien con el instrumento NIRSpec. Eso sí, en torno a enanas rojas que estén a distancias similares (o inferiores) a la de TRAPPIST-1e (aproximadamente unos 40 años-luz). Suponiendo, claro está, que existan. Estos resultados permitirán refinar las próximas campañas de observación con el telescopio James Webb. Los investigadores explican que las estrategias que dependan de inteligencia artificial, como las que han aplicado en sus simulaciones, podrían permitir optimizar el uso del telescopio.
El aprendizaje de máquina para estudiar exoplanetas permitirá avanzar más rápido
Esto permitiría simplificar el proceso y maximizar la posibilidad de que las observaciones posteriores lleven a descubrir candidatos prometedores. Es decir, exoplanetas que hagan pensar en que realmente puedan ser habitables. El telescopio ya lleva algo más de dos años y medio en funcionamiento, y su misión principal durará cinco años y medio. En realidad, podría mantenerse en funcionamiento hasta durante veinte años. Por lo que cualquier cosa que permita optimizar el tiempo de observación del telescopio será una gran ventaja para todos.
En definitiva, el estudio presenta un modelo de aprendizaje de máquina que permitiría ahorrar tiempo y recursos. Es capaz de analizar rápidamente el espectro de la atmósfera de posibles mundos habitables. Aunque no es capaz de identificar cuáles tienen biofirmas, sí puede identificar los mejores candidatos para observaciones posteriores. Tan solo necesita captar entre 1 y 5 tránsitos para determinarlo. Depende del tipo de atmósfera que tengan esos mundos. En algunos casos, puede que sea necesario captar más tránsitos, pero sigue siendo un ahorro de tiempo.
Permitir identificar un planeta como objetivo interesante hará que sea más fácil, como dicen los investigadores, que se le pueda dedicar los recursos necesarios. Con el tiempo de observación del telescopio James Webb, se podrá obtener mucha más información de esos mundos. Con la llegada de telescopios más potentes y modernos, será posible conseguir incluso más datos, pero para ello, es necesario saber primero en qué objetivos vale la pena centrar el tiempo de observación. Poco a poco, la IA sigue adentrándose incluso en la astronomía…
Estudio
El estudio es D. Duque-Castaño, J. Zuluaga y L. Flor-Torres; «Machine-assisted classification of potential biosignatures in earth-like exoplanets using low signal-to-noise ratio transmission spectra». Publicado en Monthly Notices of the Royal Astronomical Society. Puede consultarse en arXiv, en este enlace.
Referencias: Universe Today
