Med varje år som går, upptäcks fler och fler extra-solplaneter. För att göra saker mer intressanta möjliggör förbättringar i metodik och teknik möjlighet att upptäcka fler planeter inom enskilda system. Tänk på det nyligen tillkännagivande av ett sju-planet-system runt den röda dvärgstjärnan, känd som TRAPPIST-1. Vid den tiden upptäckte denna upptäckt rekordet för de flesta exoplaneter som kretsar kring en enda stjärna.
Gå väl över TRAPPIST-1! Tack vare Kepler Space Telescope och maskininlärning upptäckte nyligen ett team från Google AI och Harvard-Smithsonian Center of Astrophysics (CfA) en åttonde planet i det avlägsna stjärnsystemet i Kepler-90. Känd som Kepler -90i, upptäckten av denna planet möjliggjordes tack vare Googles algoritmer som upptäckte bevis på en svag transitsignal i Kepleruppdragsdata.
Studien som beskriver deras resultat, med titeln "Identifiera exoplaneter med djup inlärning: En femplan resonant kedja runt Kepler-80 och en åtta planet runt Kepler-90", nyligen dykt upp online och har accepterats för publicering i The Astronomical Journal. Forskningsteamet bestod av Christopher Shallue från Google AI och Andrew Vanderburg från University of Texas och CfA.
Kepler-90, en solliknande stjärna, ligger ungefär 2545 ljusår från jorden i konstellationen Draco. Som noterats hade tidigare undersökningar visat att det finns sju planeter runt stjärnan, en kombination av markbundna (aka steniga) planeter och gasjättar. Men efter att ha använt en Google-algoritm som skapats för att söka igenom Kepler-data, bekräftade forskarteamet att signalen från en annan närmare kretsande planet lurade inom data.
Kepler-uppdraget förlitar sig på Transitmetoden (alias Transit Photometry) för att urskilja närvaron av planeter runt ljusare stjärnor. Detta består av att observera stjärnor för periodiska dopp i ljusstyrka, vilket är en indikation på att en planet passerar framför stjärnan (dvs transiterar) relativt observatören. För deras studie skedde Shallue och Vanderburg en dator för att läsa ljuskurvor inspelade av Kepler och bestämma närvaron av transiter.
Detta konstgjorda "neurala nätverk" siktades genom Kepler-data och fann svaga transportsignaler som indikerade närvaron av en tidigare missad planet runt Kepler-90. Denna upptäckt indikerade inte bara att detta system liknar vårt eget, det bekräftar också värdet av att använda konstgjord intelligens för att bryta arkivdata. Medan maskininlärning har använts för att söka i Kepler-data tidigare, visar denna forskning att även de svagaste signalerna nu kan urskiljas.
Som Paul Hertz, chef för NASA: s Astrophysics Division i Washington, sade i ett nyligen pressmeddelande från NASA:
”Precis som vi förväntade oss finns det spännande upptäckter som lurar i våra arkiverade Kepler-data, och väntar på att det rätta verktyget eller tekniken ska hitta dem. Denna upptäckt visar att våra uppgifter kommer att vara en skattekista som är tillgänglig för innovativa forskare under många år framöver. ”
Denna nyupptäckta planet, känd som Kepler-90i, är en stenig planet som är jämförbar i storlek med Jorden (1,32 ± 0,21 jordradie) som kretsar kring sin stjärna med en period av 14,4 dagar. Med tanke på dess närhet till sin stjärna tros denna planet uppleva extrema temperaturer på 709 K (436 ° C; 817 ° F) - vilket gör den varmare än Merkurys dagtopp på 700 K (427 ° C; 800 ° F).
Som en äldre programvaruingenjör med Googles forskningsteam Google AI, kom Shallue på idén att tillämpa ett neuralt nätverk på Kepler-data efter att ha lärt sig att astronomi (som andra vetenskapsgrenar) snabbt blir en "big data" -problem. I takt med att tekniken för datainsamling blir mer avancerad befinner sig forskare överflödiga med uppsättningar av allt större storlek och komplexitet. Som Shallue förklarade:
”På min fritid började jag googla för att” hitta exoplaneter med stora datauppsättningar ”och fick reda på Kepler-uppdraget och den enorma tillgängliga datamängden. Maskininlärning lyser verkligen i situationer där det finns så mycket data att människor inte kan söka efter dem själva. ”
Kepler-uppdraget samlade under sina första fyra år i drift ett datasätt som bestod av 35 000 möjliga planetära transportsignaler. Tidigare användes automatiserade tester och ibland visuella inspektioner för att verifiera de mest lovande signalerna i data. Men de svagaste signalerna saknades ofta med dessa metoder och lämnade dussintals eller till och med hundratals planeter utan redovisning.
I syfte att förbättra detta samarbetade Shallue Andrew Vanderburgh - en National Science Foundation Graduate Research Fellow och NASA Sagan Fellow - för att se om maskininlärning kunde bryta upp data och visa upp fler signaler. Det första steget bestod av att träna ett neuralt nätverk för att identifiera transiterande exoplaneter med hjälp av en uppsättning av 15 000 tidigare kontrollerade signaler från Kepler exoplanetkatalog.
I testuppsättningen identifierade det neurala nätverket riktiga planeter och falska positiver med en 96% noggrannhetsgrad. Efter att ha visat att det kunde känna igen transportsignaler riktade teamet sedan sitt nervnätverk för att söka efter svagare signaler i 670 stjärnsystem som redan hade flera kända planeter. Dessa inkluderade Kepler-80, som hade fem tidigare kända planeter, och Kepler-90, som hade sju. Som Vanderburg antydde:
”Vi fick massor av falska positiva planeter, men också potentiellt mer riktiga planeter. Det är som att sila genom stenar för att hitta juveler. Om du har en finare sil så fångar du fler stenar men du kanske också fångar fler juveler. ”
Den sjätte planeten i Kepler-80 kallas Kepler-80g, en jordstorlek som befinner sig i en resonanskedja med sina fem angränsande planeter. Detta inträffar när planeter låses av deras ömsesidiga tyngdkraft i ett extremt stabilt system, liknande det som TRAPPIST-1 sju planeter upplever. Kepler-90i är å andra sidan en jordstorlek som upplever kvicksilverliknande förhållanden och banor utanför 90b och 90c.
I framtiden planerar Shallue och Vanderburg att tillämpa sitt neurala nätverk till Keplers fullständiga arkiv med mer än 150 000 stjärnor. Inom denna enorma datauppsättning kommer många fler planeter troligen att lura och citerar möjligen inom flerplanetära system som redan har undersökts. I detta avseende har Kepler-uppdraget (som redan har varit ovärderligt för exoplanetforskning) visat att det har mycket mer att erbjuda.
Som Jessie Dotson, Keplers projektforskare vid NASA: s Ames Research Center, uttryckte det:
"Dessa resultat visar det bestående värdet av Keplers uppdrag. Nya sätt att titta på data - som denna tidiga fas för att tillämpa maskininlärningsalgoritmer - lovar att fortsätta ge betydande framsteg i vår förståelse av planetariska system runt andra stjärnor. Jag är säker på att det finns fler första i data som väntar på att folk ska hitta dem. ”
Det faktum att en solliknande stjärna nu är känd för att ha ett system med åtta planeter (som vårt solsystem), finns naturligtvis de som undrar om detta system kan vara en bra satsning på att hitta utomjordiskt liv. Men innan någon blir för upphetsad, är det värt att notera att Kepler-90-talet planeter alla kretsar ganska nära till stjärnan. Det är den yttersta planeten, Kepler-90h, banor på ett liknande avstånd till sin stjärna som jorden gör till solen.
Upptäckten av en åttonde planet runt en annan stjärna innebär också att det finns ett system där ute som konkurrerar med solsystemet i totalt antal planeter. Kanske är det dags att vi omprövat IAU-beslutet från 2006 - du vet, den där Pluto "avlägsnades"? Och medan vi är på det, kanske vi borde spåra Ceres, Eris, Haumea, Makemake, Sedna och resten för planethood. Annars, hur annars planerar vi att upprätthålla vår post?
I framtiden kommer liknande maskininlärningsprocesser sannolikt att tillämpas på nästa generations exoplanet-jaktuppdrag, som Transiting Exoplanet Survey Satellite (TESS) och James Webb Space Telescope (JWST). Dessa uppdrag är planerade att lanseras 2018 respektive 2019. Och under tiden är det säkert att det kommer många fler avslöjanden från Kepler!
