Extraños fallos en las observaciones de exoplanetas podrían ser clave para encontrar vida extraterrestre

En los últimos dos años y medio, se han enviado al espacio dos telescopios de próxima generación: el Telescopio Espacial James Webb (JWST) de la NASA y el Observatorio Euclid de la ESA .

Antes de que termine la década, se les unirán el Telescopio Espacial Romano Nancy Grace (RST), el Espectrofotómetro para la Historia del Universo, la Época de la Reionización y el Explorador de Hielos (SPHEREx) de la NASA, y el Tránsito y Oscilaciones Planetarias de la ESA. estrellas (PLATO) y telescopios ARIEL . Estos observatorios se basarán en óptica e instrumentos avanzados para ayudar en la búsqueda y caracterización de exoplanetas con el objetivo final de encontrar planetas habitables.

Junto con las misiones aún operativas, estos observatorios recopilarán volúmenes masivos de datos espectroscópicos de alta resolución. Clasificar estos datos requerirá técnicas de aprendizaje automático de vanguardia para buscar indicios de vida y procesos biológicos (también conocidos como biofirmas). En un artículo reciente , un equipo de científicos del Instituto de Teoría Fundamental de la Universidad de Florida (UF-IFL) recomendó que futuros estudios utilicen el aprendizaje automático para buscar anomalías en los espectros, que podrían revelar firmas químicas inusuales y firmas biológicas desconocidas.

El estudio fue realizado por una combinación de físicos y expertos en aprendizaje automático, incluida la profesora asociada Katia Matcheva, el estudiante graduado en física Roy T. Forestano, el profesor Konstantin T. Matchev y el Ph.D. estudiante Eyup B. Unlu. Una preimpresión de su artículo, ” Buscando química novedosa en atmósferas exoplanetarias utilizando el aprendizaje automático para la detección de anomalías “, apareció recientemente en línea y está siendo revisada para su publicación en The Astrophysical Journal . Como explicaron, la premisa central de su artículo es que qué constituye la “vida” sigue siendo una cuestión abierta para los científicos, y sería ventajoso ampliar el alcance de nuestra búsqueda.

En primer lugar, es importante reconocer hasta dónde ha llegado el estudio de exoplanetas en las últimas décadas. La primera detección confirmada no tuvo lugar hasta 1992, y consistió en dos Supertierras ( Poltergeist y Phobitor ) observadas alrededor de un púlsar 00(PSR B1257+12, también conocido como Lich) situado a 2.300 años luz de la Tierra. Si bien los científicos creían firmemente que la mayoría de las estrellas tenían su propio sistema de planetas, antes de este descubrimiento no tenían pruebas indiscutibles. Y hasta el lanzamiento del Telescopio Espacial Kepler en 2009, los descubrimientos de exoplanetas se sumaban a un ritmo de unos pocos por año.

Desde entonces, se han confirmado un total de 5.496 exoplanetas en 4.096 sistemas, y otros 9.820 candidatos esperan confirmación. En los últimos años, el proceso ha pasado del proceso de descubrimiento a la caracterización, donde instrumentos y métodos mejorados han permitido a los astrónomos analizar las atmósferas de los exoplanetas directamente para medir su habitabilidad potencial. Como explicó la profesora Matcheva a Universe Today por correo electrónico:

“Los instrumentos son cada vez mejores: mejor resolución espectral, nivel excepcional de señal/ruido, cobertura de longitud de onda más amplia. Además del JWST, que ha realizado algunas observaciones espectroscópicas excepcionales de varios exoplanetas, la ESA está planeando un telescopio espacial dedicado a exoplanetas, ARIEL, que observará 1.000 planetas. El análisis de estos datos mantendrá ocupados a los científicos durante mucho tiempo”.

Según Matcheva, los campos de los estudios de exoplanetas y la astrobiología son increíblemente fascinantes debido al gran potencial que implican. Actualmente, este campo se ocupa en gran medida de limitar la “habitabilidad” mediante la búsqueda específica de biofirmas: evidencia de vida y procesos orgánicos. Utilizando la Tierra como plantilla, el único planeta donde sabemos que existe vida, las biofirmas más buscadas incluyen gas nitrógeno (N2), gas oxígeno (O2), dióxido de carbono (CO2), metano (CH4), amoníaco (NH3), y agua (H2O).

Esto constituye el “enfoque fácil”, en el que los científicos buscan vida que se ajuste a los estándares terrestres. Esto no es un accidente ni un enfoque perezoso. Esto se debe a que es extremadamente difícil buscar signos de vida con los que no estamos familiarizados. Pero esto también presenta una oportunidad para contemplar las posibilidades y ampliar el alcance de lo que sabemos. “¿Sabemos qué buscar?” —añadió Matcheva. “¿Sabemos dónde buscar? ¿Lo reconoceríamos si lo viéramos? La comunidad científica de exoplanetas siempre trabaja con estas preguntas en mente”.

Para su estudio, Matcheva y sus colegas investigaron cómo se podría entrenar el aprendizaje automático para buscar “anomalías” en los espectros de tránsito. Esto se refiere a las curvas de luz obtenidas al observar estrellas distantes en busca de caídas periódicas de luminosidad, que podrían indicar la presencia de un planeta que pasa frente a la estrella en relación con el observador. Esto se conoce como espectroscopia de tránsito (o método de tránsito), que sigue siendo el método más eficaz y ampliamente utilizado para detectar exoplanetas. Además de la detección, este método permite a los astrónomos observar ocasionalmente la luz que atraviesa la atmósfera del planeta.

Cuando se miden con un espectrómetro, estas observaciones revelarán datos sobre la composición química de la atmósfera, que podrían incluir biofirmas reveladoras. En los próximos años, la combinación de telescopios de próxima generación y aprendizaje automático (ML) permitirá a los astrónomos determinar con mayor precisión la habitabilidad potencial de los exoplanetas. “Creemos que los métodos de aprendizaje automático en astrofísica pueden cambiar las reglas del juego en la forma en que procesamos los datos en términos de velocidad, volumen y metodología”, dijo Matcheva. “Y lo vemos en todos los campos de la ciencia”.

Para sus propósitos, Matcheva y su equipo utilizaron dos métodos populares de aprendizaje automático para la detección de anomalías: el factor atípico local (LOF) y la máquina de vectores de soporte de una clase (OCSVM) para analizar una gran base de datos pública de espectros sintéticos. Esta base de datos fue desarrollada por el equipo científico ARIEL de la ESA en anticipación de la misión (cuyo lanzamiento está previsto para 2029) y contiene más de 100.000 señales espectrales de exoplanetas generadas por computadora. El equipo también utilizó curvas de características operativas del receptor (ROC) para cuantificar y comparar el rendimiento de las dos técnicas de ML. El proceso y los resultados, como relató Matcheva, fueron fascinantes:

“Los espectros se calculan con modelos actuales, asumiendo que la atmósfera de cada planeta es una mezcla de 5 gases diferentes en diferentes proporciones. Como experimento, tratamos a uno de los absorbentes (por ejemplo, H2O ) como un absorbente “misterioso”. Entrenamos el algoritmo ML en un subconjunto de datos que son deficientes en H2O y probamos si marcaría correctamente los planetas con agua como anómalos”.

“Repetimos el experimento con cuatro de los gases. Usamos tanto LOF como OCSVM. Ambos métodos hicieron un trabajo sobresaliente al encontrar planetas anómalos cuando no hay ruido o hay muy poco ruido (~10 ppm), incluso para cantidades muy pequeñas del gas “misterioso”. Como era de esperar, el modelo ML empieza a cometer errores cuando el nivel de ruido aumenta demasiado”.

Como indicó Matcheva, su artículo demostró que los métodos LOF y OCSVM son muy sólidos, incluso en presencia de ruido de señal. Estos resultados ofrecen una muestra de lo que podría ser posible en un futuro cercano, donde literalmente miles de exoplanetas puedan analizarse rápida y sistemáticamente utilizando métodos de aprendizaje automático para identificar planetas anómalos para investigaciones de seguimiento. Es probable que estos exámenes sean muy educativos, dado que las inconsistencias entre los modelos teóricos y las observaciones son a menudo la forma en que se hacen los descubrimientos más interesantes.

“Aunque la búsqueda de firmas biológicas no era el objetivo principal de este artículo, es un resultado muy interesante y estamos muy entusiasmados con el potencial del método”, afirmó Matcheva. “Buscar señales de vida en el Universo es más como buscar una aguja en un pajar que una prueba irrefutable. En realidad, es aún más difícil porque no sabemos cómo es la aguja. Los métodos de detección de novedades están diseñados exactamente para eso: eventos raros [donde] no sabemos cómo se ven, huelen o suenan”.

Como se señaló anteriormente, la búsqueda de vida extraterrestre –y, de hecho, la búsqueda de inteligencia extraterrestre (SETI)– puede resumirse como la búsqueda de vida “tal como la conocemos”. Pero si la vida es muy rara en el Universo o muy “exótica” por naturaleza (lo que significa que puede surgir de todo tipo de sustancias químicas y condiciones), entonces tiene sentido lanzar una red más amplia. Después de todo, si nuestro marco de referencia es un impedimento para nuestros esfuerzos en astrobiología (ciertamente se podría argumentar lo mismo), expandirlo podría ser la diferencia entre encontrar evidencia de que no estamos solos y dejar la pregunta sin respuesta para otra generación. Dijo Matcheva:

“La comunidad de astrobiología ha estado trabajando en una definición de “vida” durante mucho tiempo, pero no tenemos idea de cómo son realmente los extraterrestres y cómo interactuarían con su entorno. Estamos sesgados por nuestra experiencia humana, y las estrategias actuales son buscar vida en la “zona habitable”, que por definición es amigable para los humanos (o la vida terrestre). Entonces, ¿cómo buscas algo cuando no sabes cómo se ve? Ahí es donde entran en juego las técnicas de aprendizaje automático para la detección de novedades: pueden señalar puntos de datos que son inconsistentes con los datos de entrenamiento, es decir, que no concuerdan con los modelos teóricos actuales. De hecho, en ese sentido, nuestro método es buscar vida “como no la conocemos”.

Como dijo Isaac Asimov: “La frase más emocionante que se puede escuchar en la ciencia, la que presagia nuevos descubrimientos, no es ‘¡Eureka!’ sino ‘Eso es gracioso'”.