Warwick, Inggris, Gatra.com - Lima puluh planet potensial telah dikonfirmasi keberadaannya oleh algoritme pembelajaran mesin baru yang dikembangkan oleh para ilmuwan University of Warwick. Machine Learning (Pembelajaran Mesin) adalah bidang penting teknologi komputer dan komponen kecerdasan buatan. Program komputer yang didasarkan pada pembelajaran mesin dapat menemukan solusi independen untuk masalah baru dan tidak dikenal dengan bantuan algoritma.
Untuk pertama kalinya, para astronom menggunakan proses yang didasarkan pada pembelajaran mesin, suatu bentuk kecerdasan buatan, untuk menganalisis sampel planet potensial dan menentukan mana yang nyata dan mana yang 'palsu', atau positif palsu, menghitung probabilitas masing-masing planet. kandidat untuk menjadi planet yang benar.
Hasilnya dilaporkan dalam studi baru yang diterbitkan di Monthly Notices of the Royal Astronomical Society, di mana mereka juga melakukan perbandingan skala besar pertama dari teknik validasi planet tersebut. Kesimpulan mereka membuat penggunaan beberapa teknik validasi, termasuk algoritma pembelajaran mesin mereka, saat secara statistik mengonfirmasi penemuan planet ekstrasurya di masa depan.
Banyak survei planet ekstrasurya mencari melalui sejumlah besar data dari teleskop untuk mencari tanda-tanda planet yang lewat di antara teleskop dan bintangnya, yang dikenal sebagai transit. Hal ini menghasilkan tanda penurunan cahaya dari bintang yang dideteksi oleh teleskop, tetapi bisa juga disebabkan oleh sistem bintang biner, gangguan dari objek di latar belakang, atau bahkan sedikit kesalahan pada kamera. Positif palsu ini dapat disaring dalam proses validasi planet.
Peneliti dari Departemen Fisika dan Ilmu Komputer Warwick, serta Institut Alan Turing, membangun algoritme berbasis pembelajaran mesin yang dapat memisahkan planet nyata dari yang palsu dalam sampel besar ribuan kandidat yang ditemukan oleh misi teleskop NASA seperti Kepler dan TESS.
Ia dilatih untuk mengenali planet nyata menggunakan dua sampel besar planet yang dikonfirmasi dan positif palsu dari misi Kepler yang sekarang sudah dihentikan. Para peneliti kemudian menggunakan algoritme tersebut pada kumpulan data kandidat planet yang masih belum dikonfirmasi dari Kepler, menghasilkan lima puluh planet baru yang dikonfirmasi dan yang pertama divalidasi dengan pembelajaran mesin.
Teknik pembelajaran mesin sebelumnya telah menentukan peringkat kandidat, tetapi tidak pernah menentukan probabilitas bahwa kandidat adalah planet yang sebenarnya, sebuah langkah yang diperlukan untuk validasi planet.
Lima puluh planet itu berkisar dari dunia sebesar Neptunus hingga lebih kecil dari Bumi, dengan orbit selama 200 hari hingga hanya satu hari. Dengan memastikan bahwa lima puluh planet ini nyata, para astronom sekarang dapat memprioritaskan ini untuk pengamatan lebih lanjut dengan teleskop khusus.
Dr David Armstrong, dari Departemen Fisika Universitas Warwick, berkata: "Algoritme yang kami kembangkan memungkinkan kami membawa lima puluh kandidat melintasi ambang untuk validasi planet, meningkatkannya menjadi planet nyata. Kami berharap dapat menerapkan teknik ini pada sampel besar kandidat dari misi saat ini dan masa depan seperti TESS dan PLATO.
"Dalam hal validasi planet, belum ada yang menggunakan teknik pembelajaran mesin sebelumnya. Pembelajaran mesin telah digunakan untuk menentukan peringkat kandidat planet, tetapi tidak pernah dalam kerangka kerja probabilistik, yang Anda perlukan untuk benar-benar memvalidasi sebuah planet. Daripada menyebutkan kandidat yang mana lebih cenderung menjadi planet, sekarang kami dapat mengatakan kemungkinan statistik yang tepat. Jika ada kurang dari 1% kemungkinan kandidat menjadi positif palsu, itu dianggap planet yang tervalidasi," katanya.
Dr Theo Damoulas dari University of Warwick Department of Computer Science mengatakan: "Pendekatan probabilistik untuk pembelajaran mesin statistik sangat cocok untuk masalah menarik seperti ini dalam astrofisika yang membutuhkan penggabungan pengetahuan sebelumnya - dari para ahli seperti Dr Armstrong - dan kuantifikasi ketidakpastian dalam prediksi. Contoh utama ketika kompleksitas komputasi tambahan dari metode probabilistik terbayar secara signifikan. "
Setelah dibangun dan dilatih, algoritme ini lebih cepat daripada teknik yang ada dan dapat sepenuhnya otomatis, membuatnya ideal untuk menganalisis ribuan kandidat planet yang berpotensi diamati dalam survei saat ini seperti TESS. Para peneliti berpendapat bahwa itu harus menjadi salah satu alat yang akan digunakan secara kolektif untuk memvalidasi planet di masa depan.
Dr Armstrong menambahkan: "Hampir 30% planet yang diketahui hingga saat ini telah divalidasi hanya dengan menggunakan satu metode, dan itu tidak ideal. Mengembangkan metode baru untuk validasi diinginkan karena alasan itu saja. Tetapi pembelajaran mesin juga memungkinkan kita melakukannya dengan sangat cepat dan memprioritaskan kandidat lebih cepat.
"Kami masih harus menghabiskan waktu untuk melatih algoritma, tetapi setelah itu selesai, akan jauh lebih mudah untuk menerapkannya ke kandidat di masa mendatang. Anda juga dapat memasukkan penemuan baru untuk meningkatkannya secara progresif," katanya.
"Survei seperti TESS diperkirakan memiliki puluhan ribu kandidat planet dan sangat ideal untuk dapat menganalisis semuanya secara konsisten. Sistem otomatis yang cepat seperti ini yang dapat membawa kita jauh ke planet tervalidasi dalam langkah yang lebih sedikit, mari kita lakukan itu dengan efisien," katanya.
