Un team di ricercatori del NASA Ames Research Center ha aggiornato il modello di deep learning ExoMiner, già utilizzato per confermare 370 esopianeti nei dati della missione Kepler, per renderlo capace di analizzare anche le osservazioni raccolte dal telescopio spaziale TESS (Transiting Exoplanet Survey Satellite).
Il nuovo strumento, chiamato ExoMiner++, è in grado di setacciare enormi volumi di dati alla ricerca dei deboli segni causati dai transiti planetari, ovvero le diminuzioni periodiche della luminosità stellare che avvengono quando un pianeta passa davanti alla sua stella.
Nella sua prima applicazione sui dataset di TESS, ExoMiner++ ha identificato circa 7000 possibili candidati esopianeti, ovvero circa 7000 segnali che con alta probabilità derivano da pianeti ma che richiedono osservazioni di follow‑up per essere confermati come tali.
Il codice è rilasciato come open source su GitHub, cosa che consente ai ricercatori di tutto il mondo di utilizzarlo per l’analisi dati. ExoMiner++ non supporta solo l’attuale ricerca di esopianeti, ma apre anche la strada a future applicazioni con dati provenienti dalle prossime missioni spaziali, come il telescopio spaziale Nancy Grace Roman della NASA.
Come ExoMiner++ supporta l’analisi dei transiti
Il metodo di scoperta di esopianeti utilizzato sia da Kepler che da TESS è la fotometria di transito: monitorare la luminosità di stelle per rilevare piccole e regolari diminuzioni legate al passaggio di un pianeta davanti alla stella (vedi video qui sotto).
Nei dataset di questi telescopi, però, esistono centinaia di migliaia di segnali che possono derivare da fonti diverse, come stelle binarie eclipsanti o rumore strumentale. Separare i transiti reali da questi “falsi positivi” è un compito impegnativo, tanto più con l’enorme quantità di dati raccolti.
ExoMiner++ sfrutta reti neurali profonde per valutare automaticamente ciascun segnale di potenziale transito, distinguendo tra quelli veri e quelli causati da altri fenomeni. Addestrato combinando i dati di Kepler e di TESS, il modello impara a riconoscere le caratteristiche tipiche delle curve di luce planetarie anche in presenza di rumore o altri segnali. Questo approccio di transfer learning è particolarmente importante per TESS, i cui dati possono essere più “rumorosi” rispetto a quelli di Kepler.
La prima applicazione di ExoMiner++ ha portato alla selezione di migliaia di segnali candidati: un numero molto maggiore rispetto alle centinaia di nuovi pianeti che i team umani riescono a identificare con metodi tradizionali in tempi equivalenti.
Anche se questi candidati richiedono ulteriori osservazioni per la conferma definitiva, la loro semplice esistenza amplia sostanzialmente l’elenco di obiettivi per campagne di follow‑up future. Il rilascio del software al pubblico, inoltre, rende possibile alla comunità scientifica internazionale di partecipare in modo diretto alla scoperta di nuovi esopianeti.
