Un'intelligenza artificiale che bada ai pianeti

La ricerca guidata dall'Università di Warwick ha usato un sistema di intelligenza artificiale chiamato Raven per analizzare i dati raccolti dal telescopio spaziale TESS della NASA. L'obiettivo era semplice: capire quali diminuzioni di luminosità nelle stelle sono davvero causate da pianeti che transitano davanti al disco stellare.

Numeri principali

  • 118 esopianeti validati grazie all'analisi di Raven.
  • Più di 2.200.000 curve di luce esaminate, relative ai primi quattro anni di missione di TESS.
  • Oltre 2.000 candidati esopianeti individuati, circa 1.000 dei quali completamente nuovi per i cataloghi.
  • Tra gli esopianeti confermati, 31 non erano mai stati identificati prima.

Raven ha concentrato l'attenzione soprattutto sui pianeti che orbitano molto vicino alla loro stella, tipicamente con periodi inferiori a 16 giorni.

Cosa hanno scoperto i ricercatori

I risultati offrono informazioni utili su diversi tipi di sistemi planetari:

  • pianeti che completano un'orbita in meno di 24 ore;
  • oggetti nel cosiddetto "deserto neptuniano", una fascia dove si pensava che pianeti simili a Nettuno fossero rari;
  • sistemi con più pianeti su orbite molto vicine alla loro stella.

Percentuali interessanti

Dall'analisi emerge che circa il 10% delle stelle simili al Sole ospita almeno un pianeta con un'orbita ravvicinata. I pianeti di tipo neptuniano, invece, risultano molto rari intorno a stelle come il Sole: circa lo 0,08%.

Come funziona Raven

Raven non si limita a produrre una lista di segnali sospetti. I ricercatori hanno addestrato modelli di apprendimento automatico per riconoscere schemi nelle curve di luce e distinguere transit di pianeti da altri tipi di eventi o rumore. Questo permette di avere un campione più affidabile per studiare la distribuzione dei diversi tipi di pianeti attorno a stelle simili al Sole.

Secondo gli autori dello studio, lo strumento è già abbastanza robusto da essere usato per mappare la prevalenza dei vari tipi di pianeti e per individuare i sistemi più promettenti per osservazioni future.

Perché conta

Questo lavoro mostra che combinare grandi quantità di dati astronomici con modelli di intelligenza artificiale accelera le scoperte e aiuta a costruire cataloghi più completi. In pratica, Raven separa meglio il segnale dal rumore e mette in fila candidati più affidabili per ulteriori studi.

È una buona notizia per chi cerca nuovi mondi: ora abbiamo più descrizioni e statistiche su quanto siano comuni certi tipi di pianeti e su quali sistemi valga la pena osservare con strumenti più potenti.