Wetenschappers ontdekken twee exoplaneten via machinelearning en Kepler-data

Een team van Google en wetenschappers van verschillende Amerikaanse universiteiten hebben twee nieuwe exoplaneten ontdekt. Dat is gedaan op basis van data van de vorig jaar beëindigde missie van de Kepler-ruimtetelescoop, waarop machinelearning is toegepast.

De wetenschappers beschrijven in een paper dat ze voor de ontdekking een neuraal netwerk, genaamd AstroNet-K2, hebben getraind. Volgens medeonderzoeker Anne Dattilo is deze ontdekking significant, omdat het de eerste keer is dat een neuraal netwerk op de K2-data is toegepast. K2 verwijst naar de verlengde missie van de Kepler-ruimtetelescoop.

Nadat in 2012 een van de vier gyroscopische vliegwielen van de ruimtetelescoop was uitgevallen, gaf in 2013 een tweede vliegwiel de geest. De telescoop was daardoor niet meer stabiel te houden en kon niet meer precies richten op de te onderzoeken sterren. Uiteindelijk kreeg de telescoop door een technische oplossing een tweede leven, al waren die observaties door de lichte instabiliteit minder precies en ging de data gepaard met de nodige ruis. Dat maakt het relatief lastig om deze K2-data te onderzoeken, stelt Dattilo.

Het aangepaste algoritme werd getraind op 27.634 sterren van K2. Tegen The Register licht Dattilo toe dat het slechts veertig minuten duurde om het algoritme te trainen op een laptop, maar dat het maanden duurde voordat het onderzoeksteam uitvogelde hoe het kon werken op basis van de K2-data. AstroNet-K2 is volgens de onderzoekers behoorlijk succesvol, maar de onderzoekers schrijven dat het model nog niet klaar is om volledig automatisch planeetkandidaten te detecteren en te identificeren. Als het wordt toegepast op een aantal sterren, komen er nog te veel false positives, waarbij incorrect wordt aangegeven dat een signaal weleens een planeetkandidaat kan zijn. Het aantal valse meldingen overstijgt nog het aantal gedetecteerde echte planeten. In combinatie met menselijke inbreng is dit toch een hele stap voorwaarts, omdat de te bekijken dataset hiermee aanzienlijk wordt verkleind.

Het neurale netwerk is getraind op korte dips in de helderheid van een ster, die veroorzaakt kunnen worden door een passerende planeet. Daarmee is het algoritme alleen getraind om exoplaneten te ontdekken die zich in een zekere nabijheid van hun ster bevinden. Exoplaneten die ver van hun ster staan, of exoplaneten met afwijkende vormen worden niet herkend. Dat betekent dat voor het ontdekken van dit soort afwijkende planeten nog altijd een menselijk oog nodig is.

Met AstroNet-K2 wordt voortgeborduurd op onderzoek van wetenschappers van Harvard en Google, die in december vorig jaar bekendmaakten op basis van Kepler-data een exoplaneet te hebben ontdekt met machinelearning van Google. Dit opensourcemodel verscheen later op Github en datzelfde moet ook gebeuren met AstroNet-K2.

De ontdekte exoplaneten heten K2-293b en K2-294b. Het zijn in feite identieke planeten die op 1230 en 1300 lichtjaar van de aarde staan in het sterrenbeeld Waterman. Beide objecten zijn iets groter dan de aarde, staan erg dicht bij hun ster en hebben korte omlooptijden. Doordat ze dicht bij hun sterren staan, is het er behoorlijk heet. De ontdekkingen via het algoritme zijn overigens bevestigd door twee aardse telescopen.

Met AstroNet-K2 zullen nog meer exoplaneten worden ontdekt, omdat er nog genoeg K2-data over is. Bovendien denkt Dattilo dat het algoritme met enige wijzigingen ook te gebruiken is voor de data van de TESS-ruimtetelescoop, de 'opvolger' van Kepler die vorig jaar operationeel werd.

Reacties (13)

Exoplaneten die ver van hun ster staan, of exoplaneten met afwijkende vormen worden niet herkend.

Plus alle exoplaneten die vanaf Kepler gezien niet voor hun zon langs draaien. Er wordt blijkbaar nog steeds alleen maar gezocht naar exoplaneten waar de aarde zich in het zelfde vlak bevindt als die van de baan van de exoplaneet.

Niet alleen maar, er worden ook andere methodes gebruikt. Van exoplanets.nasa.gov

• 77.4% Transit: When a planet passes directly between its star and an observer, it dims the star's light by a measurable amount.
• 18.6% Radial Velocity: Orbiting planets cause stars to wobble in space, causing an observable shift in the color of the star's light.
• 1.9% Microlensing: Light from a distant star is bent and focused by gravity as a planet passes between the star and Earth.
• 1.1% Imaging: Astronomers can take pictures of exoplanets using techniques that remove the overwhelming glare of the stars they orbit

Enkel bij de Transit-methode moet de ster en de aarde in het vlak van de baan van de planeet liggen. De andere methodes werken ook als dat niet zo is, maar hebben weer andere nadelen. Om Radial Velocity te kunnen detecteren heb je een zeer zware planeet nodig met een zon met een relatief lage massa. Microlensing moet, eveneens een zware, planeet het lichtpad van een felle ster doorkruisen, terwijl bij imaging je een grote, reflectieve planeet nodig hebt. In alle gevallen geldt natuurlijk ook dichterbij is makkelijker, maar zeker bij imaging.

[Reactie gewijzigd door Balance op 27 maart 2019 10:51]

De eerste drie methodes werken nog steeds alleen als de planeet in een vlak draait dat min of meer uitgelijnd is met onze kijkrichting.

Voor de 2e methode hoeft de planeet niet in dezelfde plane te liggen lijkt me? Stel een planeet zou 90 graden ten opzichte van ons gekanteld zijn met de pool naar ons toe dan zou je theoretisch de ster continue een klein cirkeltje kunnen zien maken toch?

Ze detecteren die wobble door de doppler-shift te bekijken: als een ster van ons af en naar ons toe beweegt, dan verschuift het spectrum ietsiepietsie. Die snelheidsverschillen zijn t.o.v. de waarnemer (de aarde) en dus werkt het het best als die planeet in het kijk-vlak zijn rondjes draait. Hoe schuiner, hoe kleiner de afwijking in de relatieve snelheid.
De zon (de ster) draait inderdaad wel iets, maar het middelpunt van die cirkel ligt meestal binnen de ster zelf: dat is visueel niet waar te nemen.

NASA is al bezig een nieuwe methode te ontwikkelen om exoplaneten beter te detecteren aan de hand van het blokkeren van het licht van de ster via een starshade. Hiermee zouden de exoplaneten zelf direct geobserveerd kunnen worden.

Klopt dat is een inherente beperking van deze methode.

Als wij hier met een andere methode kunnen komen is dat natuurlijk heel mooi.

Er zijn zat andere methoden:

https://en.m.wikipedia.org/wiki/Methods_of_detecting_exoplanets

Dit is natuurlijk een goede vooruitgang. Maar is er ook gekeken naar de data die "ignored" is? Want _false positives_ veroorzaken natuurlijk wat extra werk, maar het geheel gaat er vanuit dat dat alleen de resultaten (waar of niet) door een mens bekeken hoeven te worden.

Hoeveel data is door de machine-learning gemarkeerd als niet waardevol / weggegooid, maar bevatte wel nuttige data, of zelfs meer exoplanets?

Beetje de vraag, omdat de machine zegt dat er niks is, betekend niet dat 't zo is (tenzij dat natuurlijk gecheckt is en daar weer uit is gekomen dat de machine dat correct in de smiezen heeft).

Er wordt juist niet genoeg gezocht.
Er is veel te veel data en veel te weinig mensen om alles op te merken.

Stukje dat nu geautomatiseerd is een stapje in de goede richting. Als de bandbreedte goed wordt ingesteld krijg je nog steeds een berg false positives, maar die controleren kun je met minder mensen. De mensen die je over hebt kun je laten focussen op andere fenomenen.

Dit is meer een hulpmiddel om reeds bestaande methoden preciezer te laten zoeken. Op zich goed natuurlijk. Op het kanaal van World Science Festival (YouTube) hebben ze een best wel goede uitleg en bespreking van verschillende experts staan die het hele planeet zoeken doen uitleggen.

Er is tegenwoordig zoveel ruimtenieuws dat je een aparte rubriek op Tweakers kunt beginnen waar dagelijks nieuws over de ruimte op kan verschijnen.
Er zijn verschillende tests van o.a. SpaceX om maar wat voorbeelden te noemen.

Hebben ze het dan wel ontdekt?
De AI heeft ze ontdekt, ik vind dat ze naar de AI genoemd moeten worden.

AstroNet-K2-A
AstroNet-K2-B