Indicadores de planetas habitables distantes

Universo: Cientos de nuevos discos rocosos revelados por aprendizaje automático

Universo: Cientos de nuevos discos rocosos revelados por aprendizaje automático
Universo, Big Bang, explosiones y estrellas. NASA

Investigadores del MIT han desarrollado un sistema de aprendizaje automático para buscar discos de escombros alrededor de estrellas, que son buenos indicadores de planetas habitables distantes.

La escala de la búsqueda exige automatización: hay casi 750 millones de posibles fuentes de luz en los datos acumulados, solamente, por la misión de exploración WISE (Wide-Field Infrared Survey Explorer) de la NASA.

En las pruebas, el sistema de aprendizaje automático estuvo de acuerdo con las identificaciones humanas –en un proyecto de crowdsourcing lanzado por la NASA– de los discos de desechos el 97 por ciento de las veces.

Los investigadores también entrenaron su sistema para clasificar los discos de desechos de acuerdo con su probabilidad de contener exoplanetas detectables.

En un documento que describe el nuevo trabajo en la revista Astronomy and Computing, los investigadores del MIT informan que su sistema identificó 367 objetos celestes previamente no examinados como candidatos particularmente prometedores para estudios posteriores.

El trabajo representa un enfoque inusual para el aprendizaje automático, que ha sido defendido por uno de los coautores del trabajo, Victor Pankratius, un investigador científico principal en Haystack Observatory del MIT.

Típicamente, un sistema de aprendizaje automático analizará una gran cantidad de datos de entrenamiento, buscando correlaciones consistentes entre las características de los datos y alguna etiqueta aplicada por un analista humano, en este caso, estrellas rodeadas por discos de desechos.

Pero Pankratius sostiene que, en las ciencias, los sistemas de aprendizaje automático serían más útiles si incorporaran explícitamente un poco de conocimiento científico, para ayudar a guiar sus búsquedas de correlaciones o identificar desviaciones de la norma que podrían ser de interés científico.

«La visión principal es ir más allá de para lo que la Inteligencia Artidicial se está enfocando hoy», dice Pankratius.

«Hoy, estamos recopilando datos, y estamos tratando de encontrar funciones en los datos. Terminas con miles de millones de funciones. Entonces, ¿qué estás haciendo con ellos? Lo que quieres saber como científico no es que la computadora te diga qué píxeles muestran ciertas características. Quieres saber ‘Oh, esto es algo físicamente relevante, y aquí están los parámetros físicos de la cosa’ «.

CONTRIBUYE CON PERIODISTA DIGITAL

QUEREMOS SEGUIR SIENDO UN MEDIO DE COMUNICACIÓN LIBRE

Buscamos personas comprometidas que nos apoyen

COLABORA

Recibe nuestras noticias en tu correo

Lo más leído