A astronomia moderna teria dificuldades sem IA e aprendizado de máquina (ML), que se tornaram ferramentas indispensáveis. Elas sozinhas têm a capacidade de gerenciar e trabalhar com as vastas quantidades de dados que os telescópios modernos geram. O ML pode peneirar grandes conjuntos de dados, buscando padrões específicos que os humanos levariam muito mais tempo para encontrar.
A busca por bioassinaturas em exoplanetas semelhantes à Terra é uma parte crítica da astronomia contemporânea, e o ML pode desempenhar um papel importante nisso.
Como os exoplanetas são tão distantes, os astrônomos prestam muita atenção aos que permitem espectroscopia de transmissão. Quando a luz das estrelas passa pela atmosfera de um planeta, a espectroscopia pode dividir a luz em diferentes comprimentos de onda. Os astrônomos então examinam a luz em busca de sinais reveladores de moléculas específicas. No entanto, bioassinaturas químicas em atmosferas de exoplanetas são complicadas porque processos abiogênicos naturais podem gerar algumas das mesmas assinaturas.
Embora o método seja poderoso, ele enfrenta alguns desafios. Atividade estelar como manchas estelares e flares podem poluir o sinal, e a luz da atmosfera pode ser muito fraca comparada à luz da estrela. Se houver nuvens ou neblina na atmosfera do exoplaneta, isso pode dificultar a detecção de linhas de absorção molecular nos dados espectroscópicos. dispersão de Rayleigh aumenta o desafio, e também pode haver múltiplas interpretações diferentes do mesmo sinal espectroscópico. Quanto mais desses tipos de “ruído” houver no sinal, pior será a relação sinal-ruído (SNR). Dados ruidosos — dados com um SNR baixo — são um problema pronunciado.
Ainda estamos descobrindo diferentes tipos de exoplanetas e atmosferas planetárias, e nossos modelos e técnicas de análise não estão completos. Quando combinados com o problema de SNR baixo, o par constitui um grande obstáculo.
Mas o aprendizado de máquina pode ajudar, de acordo com uma nova pesquisa.Classificação assistida por máquina de potenciais bioassinaturas em exoplanetas semelhantes à Terra usando espectros de transmissão de baixa relação sinal-ruído” é um artigo em revisão pelo Monthly Notices of the Royal Astronomical Society. O autor principal é David S. Duque-Castaño do Computational Physics and Astrophysics Group da Universidad de Antioquia em Medellín, Colômbia.
O JWST é nossa ferramenta de espectroscopia de transmissão mais poderosa e tem apresentado resultados impressionantes. Mas há um problema: tempo de observação. Alguns esforços de observação levam uma quantidade enorme de tempo. Pode levar um número proibitivamente alto de trânsitos para detectar coisas como ozônio. Se tivéssemos quantidades ilimitadas de tempo de observação, não importaria tanto.
Um estudo mostraram que, no caso do TRAPPIST-1e, pode levar até 200 trânsitos para obter detecções estatisticamente significativas. O número de trânsitos se torna mais razoável se a busca for restrita a metano e vapor de água. “Estudos demonstraram que, usando um número razoável de trânsitos, a presença dessas espécies atmosféricas, que são tipicamente associadas a uma biosfera global, pode ser recuperada”, escrevem os autores. Infelizmente, o metano não é uma bioassinatura tão robusta quanto o ozônio.
Dado o tempo necessário para detectar alguns desses biomarcadores potenciais, os pesquisadores dizem que pode ser melhor usar o JWST para conduzir pesquisas de razão sinal-ruído (SNR). “Embora isso possa não permitir recuperações estatisticamente significativas, pelo menos permitiria o planejamento de futuras observações de acompanhamento de alvos interessantes com telescópios atuais e futuros mais poderosos (por exemplo, ELT, LUVOIR, HabEx, Roman, ARIEL)”, escrevem os autores, invocando os nomes de telescópios que estão em fase de construção ou planejamento.
Os pesquisadores desenvolveram uma ferramenta de aprendizado de máquina para ajudar com esse problema. Eles dizem que ela pode acelerar a busca por mundos habitáveis ao alavancar o poder da IA. “Neste trabalho, desenvolvemos e testamos uma metodologia geral de aprendizado de máquina destinada a classificar espectros de transmissão com baixa relação sinal-ruído de acordo com seu potencial de conter bioassinaturas”, eles escrevem.
Como muitos dos nossos dados de espectroscopia da atmosfera de exoplanetas são ruídos, a ferramenta ML foi projetada para processá-los, descobrir o quão ruidosos eles são e classificar atmosferas que podem conter metano, ozônio e/ou água ou como interessantes o suficiente para observações de acompanhamento.
A equipe gerou um milhão de espectros atmosféricos sintéticos com base no conhecido TRAPPIST-1 e planeta e então treinaram seus modelos de ML neles. TRAPPIST-1e é similar em tamanho à Terra e é um planeta rochoso na zona habitável de sua estrela. “O sistema TRAPPIST-1 ganhou atenção científica significativa
nos últimos anos, especialmente em ciências planetárias e astrobiologia, devido às suas características excepcionais”, afirma o artigo.
A estrela TRAPPIST-1 é conhecida por hospedar o maior número de planetas rochosos de qualquer sistema que descobrimos. Para os pesquisadores, é um candidato ideal para treinar e testar seus modelos de ML porque os astrônomos podem obter leituras SNR favoráveis em quantidades razoáveis de tempo. O planeta TRAPPIST-1e provavelmente tem uma atmosfera compacta como a da Terra. Os modelos resultantes foram bem-sucedidos e identificaram corretamente os espectros de transmissão com níveis de SNR adequados.
Os pesquisadores também testaram seus modelos em espectros atmosféricos sintéticos realistas da Terra moderna. Seu sistema identificou com sucesso atmosferas sintéticas que continham metano e/ou ozônio em proporções semelhantes a aqueles do Terra Proterozóica. Durante o Proterozóico, a atmosfera sofreu mudanças fundamentais devido à Grande Evento de Oxigenação (GOE).
O GOE mudou tudo. Permitiu que a camada de ozônio se formasse, criou condições para que a vida complexa florescesse e até levou à criação de vastas depósitos de minério de ferro que mineramos hoje. Se outros exoplanetas desenvolveram vida fotossintética, suas atmosferas deveriam ser semelhantes às da Terra Proterozóica, então é um marcador relevante para a vida biológica. (A recente descoberta de oxigênio escuro tem sérias implicações para nossa compreensão do oxigênio como um biomarcador em atmosferas de exoplanetas.)
Em seu artigo, os autores descrevem a detecção de oxigênio ou ozônio como a “Jóia da Coroa” das assinaturas de espectroscopia de exoplanetas. Mas também há fontes abióticas, e se o oxigênio ou o ozônio são bióticos ou não pode depender do que mais está na assinatura. “Para distinguir entre O2 biótico e abiótico, pode-se procurar por impressões digitais espectrais específicas”, eles escrevem.
Para avaliar o desempenho do seu modelo, eles precisam saber mais do que quais atmosferas de exoplanetas são identificadas corretamente (Verdadeiro) e quais atmosferas de exoplanetas são identificadas falsamente (Falso).
Os resultados também precisam ser categorizados como Verdadeiros Positivos (TP) ou Verdadeiros Negativos (TN), que estão relacionados à precisão, ou Falsos Positivos (FP) ou Falsos Negativos (FN), que são erros. Para organizar seus dados, eles criaram um sistema de classificação que chamam de Matriz de Confusão.
“No diagrama, introduzimos a categoria interessante para distinguir planetas que merecem observações de acompanhamento ou análises aprofundadas”, explicam os autores. “Devemos lembrar novamente que esse é o foco deste trabalho: não visamos detectar bioassinaturas usando ML, mas rotular planetas que são interessantes ou não.”
Um dos modelos foi bem-sucedido em identificar prováveis bioassinaturas em espectros da Terra Proterozóica após apenas um único trânsito. Com base em seus testes, eles explicam que o JWST detectaria com sucesso a maioria dos “planetas terrestres habitados observados com o JWST/NIRSpec PRISM ao redor de anãs M localizadas a distâncias semelhantes ou menores do que a do TRAPPIST-1 e”. Se eles existirem, é claro.
Esses resultados podem refinar os esforços futuros do JWST. Os pesquisadores escrevem que “estratégias assistidas por máquina semelhantes às apresentadas aqui podem otimizar significativamente o uso dos recursos do JWST para busca de bioassinaturas”. Elas podem agilizar o processo e maximizar as chances de que observações de acompanhamento possam descobrir candidatos promissores. O telescópio já está há dois anos e sete meses em sua missão primária planejada de cinco anos e meio. (Embora o telescópio possa durar até 20 anos no total.) Qualquer coisa que possa otimizar o precioso tempo de observação do telescópio espacial é uma vitória.
No geral, o estudo apresenta um modelo de aprendizado de máquina que pode economizar tempo e recursos. Ele rapidamente peneira os espectros atmosféricos de exoplanetas potencialmente habitáveis. Embora não identifique quais contêm biomarcadores, ele pode identificar os melhores candidatos para acompanhamento após apenas 1 a 5 trânsitos, dependendo do tipo de atmosfera. Alguns tipos exigiriam mais trânsitos, mas o modelo ainda economiza tempo.
“Identificar um planeta como interessante só tornará a alocação de tempo de observação de recursos valiosos como o JWST mais eficiente, o que é um objetivo importante na astronomia moderna”, eles escrevem.
