La IA descubre decenas de exoplanetas ocultos en los datos del telescopio TESS de la NASA

Esta misión se encarga de observar el cielo en busca del sutil oscurecimiento de la luz estelar que se produce cuando los planetas pasan por delante de sus estrellas anfitrionas.

Se centraron en encontrar planetas que orbitan cerca de sus estrellas, completando una órbita en menos de 16 días.

«Gracias a Raven, hemos podido validar 118 nuevos planetas y más de 2.000 candidatos a planetas de alta calidad, de los cuales casi 1.000 son totalmente nuevos», resume Marina Lafarga Magro. «Esto representa una de las muestras mejor caracterizadas de planetas cercanos y nos ayudará a identificar los sistemas más prometedores para futuros estudios».

Entre los cuerpos recién validados se encuentran varias poblaciones especialmente valiosas, entre ellas de planetas de período ultracorto, que orbitan alrededor de sus estrellas en menos de 24 horas.

Asimismo, poblaciones de planetas del «desierto neptuniano», una clase poco común que se encuentra en una región donde la teoría predice que estos deberían ser escasos, y sistemas multiplanetarios con órbitas cercanas, incluyendo pares planetarios hasta ahora desconocidos alrededor de la misma estrella.

Las misiones modernas de búsqueda de planetas identifican habitualmente miles de posibles candidatos, pero confirmar qué señales son reales y comprender la frecuencia con la que se dan los diferentes tipos sigue siendo un gran desafío con los métodos actuales, recuerda un comunicado de Warwick.

«El reto radica en determinar si el oscurecimiento está causado realmente por un planeta en órbita alrededor de la estrella o por otra cosa, como estrellas binarias en eclipse, que es lo que Raven intenta resolver», explica por su parte Andreas Hadjigeorghiou.

Según el investigador, «su punto fuerte» radica en el conjunto de datos, creado cuidadosamente, que contiene cientos de miles de planetas simulados de forma realista y otros fenómenos astrofísicos que pueden hacerse pasar por planetas.

«Hemos entrenado modelos de aprendizaje automático para identificar patrones en los datos que nos indiquen el tipo de fenómeno que hemos detectado, algo en lo que los modelos de IA destacan», agrega Hadjigeorghiou.

Además, el sistema Raven está diseñado para gestionar todo el proceso de una sola vez, desde la detección de la señal hasta su análisis mediante aprendizaje automático y su validación estadística. Esto le da al proceso una ventaja adicional sobre las herramientas actuales, que solo se centran en partes específicas del flujo de trabajo, apunta el astrónomo.