Een nieuw computeralgoritme heeft vijftig exoplaneten gevonden. Het algoritme analyseerde een flinke groep kandidaatplaneten en scheidde vervolgens de echte en ‘neppe’ planeten.
De afgelopen decennia zijn er duizenden planeten bij andere sterren ontdekt. Vaak worden deze planeten opgespoord met behulp van de transit-methode. Hierbij staart een telescoop langdurig naar een ster, in de hoop de helderheid ervan regelmatig te zien afnemen. Dergelijke afnames in de helderheid van de ster kunnen namelijk wijzen op de aanwezigheid van een planeet die – terwijl deze rond de ster cirkelt – zo af en toe tussen de ster en de telescoop in komt te staan en daarbij een klein deel van het sterlicht tegenhoudt.
Ruimtetelescoop Kepler heeft honderdduizenden sterren bestudeerd en spotte vele duizenden kandidaatplaneten. Kandidaatplaneten zijn mogelijke planeten, maar het bestaan daarvan moet nog wel bevestigd worden door andere telescopen. Daar komt het belang van machine learning om de hoek kijken. Want wat als een computeralgoritme de lijst met kandidaatplaneten kan verkleinen, zodat er geen kostbare observatietijd verloren gaat met het controleren van niet-bestaande planeten.
Wetenschappers van de universiteit van Warwick en het Alan Turing Instituut hebben een eigen algoritme getraind. Dit algoritme kreeg een sample met bevestigde exoplaneten en een groep met zogenoemde false positives (kandidaatplaneten die geen planeten blijken te zijn) aangereikt. Hierdoor werd hij getraind om planeten te herkennen. Een dipje in het sterrenlicht hoeft niet veroorzaakt te worden door een planeet. Wellicht is er sprake van een dubbelster? Of wordt het licht beïnvloed door een object op de achtergrond? Ook kan er sprake zijn van een camerafout.
Daarna stoften de onderzoekers een lijst met duizenden onbevestigde planeten van Kepler en TESS af. Het machine learning-algoritme bleek in staat om vijftig planeten te bevestigen. Sommige van deze buitenaardse werelden zijn kleiner dan de aarde, andere zijn groter dan Neptunus. Er is zelfs een exoplaneet ontdekt die in één aardse dag om zijn moederster draait.
“Ons algoritme heeft vijftig kandidaatplaneten opgewaardeerd naar planeten”, concludeert onderzoeker Dr David Armstrong van de universiteit van Warwick. “We hopen dat deze techniek in de toekomst wordt gebruikt om kandidaatplaneten te controleren van missies als TESS en PLATO.”
Unieke methode
“Niemand heeft eerder machine learning gebruikt om planeten te valideren. We zeggen niet: er is een kans dat deze kandidaatplaneet een planeet is. Nee, we kunnen de exacte statistische waarschijnlijkheid in kaart brengen. Is de kans kleiner dan 1% dat een kandidaat een false positive is, dan is het object een gevalideerde planeet.”
In 2018 begon de speurtocht van planetenjager TESS. Deze missie kan tienduizenden kandidaatplaneten opleveren. “Het is dan interessant om deze kandidaatplaneten zo snel mogelijk te analyseren. Daarvoor moeten we gebruik gaan maken van efficiënte geautomatiseerde systemen, zoals ons algoritme.”