AI revela pesquisa subjacente matemática insuspeita por exoplanetas

AI revela pesquisa subjacente matemática insuspeita por exoplanetas

26 de maio de 2022 0 Por Jonas Estefanski
Compartilhar:

O conceito deste artista retrata um sistema planetário. Crédito: NASA/JPL-Caltech

Algoritmos de inteligência artificial (IA) treinados em observações astronômicas reais agora superam os astrônomos em peneirar grandes quantidades de dados para encontrar novas estrelas em explosão, identificar novos tipos de galáxias e detectar as fusões de estrelas massivas, acelerando a taxa de novas descobertas no planeta mais antigo do mundo. Ciência.

Mas a IA, também chamada de aprendizado de máquina, pode revelar algo mais profundo, descobriram os astrônomos da Universidade da Califórnia, em Berkeley: conexões insuspeitadas escondidas na complexa matemática que surge da relatividade geral – em particular, como essa teoria é aplicada para encontrar novos planetas em torno de outras estrelas.

Em um artigo publicado esta semana na revista Nature Astronomy , os pesquisadores descrevem como um algoritmo de IA desenvolvido para detectar mais rapidamente exoplanetas quando esses sistemas planetários passam na frente de uma estrela de fundo e a iluminam brevemente – um processo chamado microlente gravitacional – revelou que o teorias de décadas agora usadas para explicar essas observações são lamentavelmente incompletas.

Em 1936, o próprio Albert Einstein usou sua nova teoria da relatividade geral para mostrar como a luz de uma estrela distante pode ser dobrada pela gravidade de uma estrela em primeiro plano, não apenas iluminando-a como vista da Terra, mas muitas vezes dividindo-a em vários pontos de luz. luz ou distorcendo-a em um anel, agora chamado de anel de Einstein. Isso é semelhante à maneira como uma lente de mão pode focalizar e intensificar a luz do sol.

Mas quando o objeto em primeiro plano é uma estrela com um planeta, o brilho ao longo do tempo – a curva de luz – é mais complicado. Além do mais, muitas vezes há várias órbitas planetárias que podem explicar uma determinada curva de luz igualmente bem – as chamadas degenerescências. É aí que os humanos simplificaram a matemática e perderam a visão geral.

O algoritmo de IA, no entanto, apontou para uma maneira matemática de unificar os dois principais tipos de degeneração na interpretação do que os telescópios detectam durante a microlente, mostrando que as duas “teorias” são casos realmente especiais de uma teoria mais ampla que os pesquisadores admitem ainda estar incompleta. .

“Um algoritmo de inferência de aprendizado de máquina que desenvolvemos anteriormente nos levou a descobrir algo novo e fundamental sobre as equações que governam o efeito relativístico geral da curvatura da luz por dois corpos maciços”, escreveu Joshua Bloom em um post no blog no ano passado, quando enviou o artigo. para um servidor de pré-impressão, arXiv. Bloom é professor de astronomia da UC Berkeley e presidente do departamento.

Ele comparou a descoberta do estudante de pós-graduação da UC Berkeley Keming Zhang às conexões que a equipe de IA do Google, DeepMind, fez recentemente entre duas áreas diferentes da matemática. Juntos, esses exemplos mostram que os sistemas de IA podem revelar associações fundamentais que os humanos não percebem.

“Eu argumento que eles constituem uma das primeiras – se não a primeira – vez que a IA foi usada para produzir diretamente novos insights teóricos em matemática e astronomia”, disse Bloom. “Assim como Steve Jobs sugeriu que os computadores poderiam ser as bicicletas da mente, estamos buscando uma estrutura de IA para servir como um foguete intelectual para os cientistas”.

“Este é um marco na IA e no aprendizado de máquina”, enfatizou o coautor Scott Gaudi, professor de astronomia da Universidade Estadual de Ohio e um dos pioneiros no uso de microlentes gravitacionais para descobrir exoplanetas. “O algoritmo de aprendizado de máquina de Keming descobriu essa degeneração que havia sido perdida por especialistas na área trabalhando com dados por décadas. Isso é sugestivo de como a pesquisa será no futuro quando for auxiliada pelo aprendizado de máquina, o que é realmente empolgante.”

AI revela pesquisa subjacente matemática insuspeita por exoplanetas
A manifestação da degeneração do deslocamento em mapas de diferença de ampliação do plano de origem (topo) e curvas de luz (abaixo). Crédito: Astronomia da Natureza (2022). DOI: 10.1038/s41550-022-01671-6

Descobrindo exoplanetas com microlentes

Mais de 5.000 exoplanetas, ou planetas extra-solares, foram descobertos em torno de estrelas na Via Láctea, embora poucos tenham sido realmente vistos através de um telescópio – eles são muito escuros. A maioria foi detectada porque cria uma oscilação Doppler nos movimentos de suas estrelas hospedeiras ou porque escurecem ligeiramente a luz da estrela hospedeira quando cruzam na frente dela – trânsitos que foram o foco da missão Kepler da NASA. Apenas alguns mais de 100 foram descobertos por uma terceira técnica, microlente.

Um dos principais objetivos do Telescópio Espacial Nancy Grace Roman da NASA, programado para ser lançado em 2027, é descobrir milhares de exoplanetas por meio de microlentes. A técnica tem uma vantagem sobre as técnicas de Doppler e trânsito, pois pode detectar planetas de menor massa, incluindo aqueles do tamanho da Terra, que estão longe de suas estrelas, a uma distância equivalente à de Júpiter ou Saturno em nosso sistema solar.

Bloom, Zhang e seus colegas começaram há dois anos para desenvolver um algoritmo de IA para analisar dados de microlentes mais rapidamente para determinar as massas estelares e planetárias desses sistemas planetários e as distâncias que os planetas estão orbitando de suas estrelas. Tal algoritmo aceleraria a análise das prováveis ​​centenas de milhares de eventos que o telescópio romano detectará para encontrar os 1% ou menos causados ​​por sistemas exoplanetários.

Um problema que os astrônomos encontram, no entanto, é que o sinal observado pode ser ambíguo. Quando uma estrela solitária em primeiro plano passa na frente de uma estrela de fundo, o brilho das estrelas de fundo aumenta suavemente até um pico e depois cai simetricamente para seu brilho original. É fácil de entender matematicamente e observacionalmente.

Mas se a estrela em primeiro plano tiver um planeta, o planeta cria um pico de brilho separado dentro do pico causado pela estrela. Ao tentar reconstruir a configuração orbital do exoplaneta que produziu o sinal, a relatividade geral geralmente permite duas ou mais soluções chamadas degeneradas, as quais podem explicar as observações.

Até o momento, os astrônomos geralmente lidam com essas degenerações de maneiras simplistas e artificialmente distintas, disse Gaudi. Se a luz estelar distante passar perto da estrela, as observações podem ser interpretadas como uma órbita ampla ou próxima do planeta – uma ambiguidade que os astrônomos podem resolver com outros dados. Um segundo tipo de degeneração ocorre quando a luz das estrelas de fundo passa perto do planeta. Neste caso, no entanto, as duas soluções diferentes para a órbita planetária são geralmente apenas ligeiramente diferentes.

De acordo com Gaudi, essas duas simplificações da microlente gravitacional de dois corpos geralmente são suficientes para determinar as massas verdadeiras e as distâncias orbitais. De fato, em um artigo publicado no ano passado , Zhang, Bloom, Gaudi e dois outros coautores da UC Berkeley, a professora de astronomia Jessica Lu e o estudante de pós-graduação Casey Lam, descreveram um novo algoritmo de IA que não depende do conhecimento dessas interpretações. . O algoritmo acelera muito a análise de observações de microlentes, fornecendo resultados em milissegundos, em vez de dias, e reduzindo drasticamente o processamento do computador.

Zhang então testou o novo algoritmo de IA em curvas de luz de microlentes de centenas de possíveis configurações orbitais de estrelas e exoplanetas e notou algo incomum: havia outras ambiguidades que as duas interpretações não levavam em conta. Ele concluiu que as interpretações comumente usadas de microlentes eram, de fato, apenas casos especiais de uma teoria mais ampla que explica toda a variedade de ambiguidades nos eventos de microlentes.

“As duas teorias anteriores de degeneração lidam com casos em que a estrela de fundo parece passar perto da estrela em primeiro plano ou do planeta em primeiro plano”, disse Zhang. “O algoritmo de IA nos mostrou centenas de exemplos não apenas desses dois casos, mas também de situações em que a estrela não passa perto da estrela ou do planeta e não pode ser explicada por nenhuma das teorias anteriores. teoria unificadora”.

Gaudi estava cético, a princípio, mas voltou depois que Zhang produziu muitos exemplos em que as duas teorias anteriores não se encaixavam nas observações e a nova teoria sim. Zhang realmente olhou para os dados de duas dúzias de artigos anteriores que relataram a descoberta de exoplanetas através de microlentes e descobriu que, em todos os casos, a nova teoria se ajustava melhor aos dados do que as teorias anteriores.

“As pessoas estavam vendo esses eventos de microlentes, que na verdade exibiam essa nova degeneração, mas simplesmente não percebiam”, disse Gaudi. “Foi realmente apenas o aprendizado de máquina olhando para milhares de eventos onde se tornou impossível perder.”

Zhang e Gaudi submeteram um novo artigo que descreve rigorosamente a nova matemática baseada na relatividade geral e explora a teoria em situações de microlentes onde mais de um exoplaneta orbita uma estrela.

A nova teoria tecnicamente torna a interpretação das observações de microlentes mais ambígua, uma vez que existem soluções mais degeneradas para descrever as observações. Mas a teoria também demonstra claramente que observar o mesmo evento de microlente de duas perspectivas – da Terra e da órbita do Telescópio Espacial Romano, por exemplo – tornará mais fácil estabelecer as órbitas e massas corretas. Isso é o que os astrônomos planejam fazer atualmente, disse Gaudi.

“A IA sugeriu uma maneira de olhar para a equação da lente sob uma nova luz e descobrir algo realmente profundo sobre a matemática disso”, disse Bloom. “A IA está surgindo não apenas como um tipo de ferramenta contundente que está em nossa caixa de ferramentas, mas como algo realmente bastante inteligente. Ao lado de um especialista como Keming, os dois foram capazes de fazer algo bastante fundamental.”