La IA arroja nueva luz sobre los exoplanetas

Investigadores de LMU, el ORIGINS Excellence Cluster, el Instituto Max Planck de Física Extraterrestre (MPE) y el ORIGINS Data Science Lab (ODSL) han logrado un gran avance en el análisis de entornos de exoplanetas.

Utilizando redes neuronales basadas en la física (PINN), han logrado modelar la propagación compleja de la luz en el entorno de los explantes, lo que antes era imposible.

Este enfoque abre nuevas oportunidades para analizar los entornos de los exoplanetas, en particular en lo que respecta a la influencia de las nubes, y puede mejorar nuestra comprensión de estos mundos distantes.

El trabajo esta publicado. Avisos mensuales de la Royal Astronomical Society.

Cuando los exoplanetas distantes pasan frente a su estrella, bloquean una pequeña fracción de la luz de la estrella, mientras que una fracción aún más pequeña ingresa a la atmósfera de la Tierra. Esta relación conduce a variaciones en el espectro de luz, que refleja propiedades atmosféricas como la composición química, la temperatura y la nubosidad.

Sin embargo, para poder analizar estos espectros medidos, los científicos necesitan modelos capaces de calcular millones de espectros sintéticos en un corto período de tiempo. Sólo comparando posteriormente los espectros calculados con los espectros medidos obtenemos información sobre la composición atmosférica de los exoplanetas observados.

Y lo que es más, las nuevas observaciones altamente detalladas provenientes del Telescopio Espacial James Webb (JWST) requieren modelos atmosféricos igualmente detallados y complejos.

Solución más rápida de ecuaciones complejas gracias a la IA

Un aspecto importante de la investigación de exoplanetas es la dispersión de la luz en la atmósfera, especialmente la dispersión de las nubes. Los modelos anteriores no pudieron capturar satisfactoriamente esta dispersión, lo que provocó errores en el análisis espectral.

Las redes neuronales expertas en física ofrecen aquí una ventaja decisiva, ya que pueden resolver eficientemente ecuaciones complejas. En el estudio recién publicado, los investigadores entrenaron dos de esas redes. El primer modelo, desarrollado sin tener en cuenta la dispersión de la luz, demostró una precisión impresionante con errores relativos de menos del 1%.

Otro modelo incluía una aproximación de la llamada dispersión de Rayleigh, el mismo efecto que hace que el cielo parezca azul en la Tierra. Aunque estas aproximaciones necesitan mejoras adicionales, la red neuronal pudo resolver la compleja ecuación, lo que representa un avance significativo.

Cooperación formal

Estos nuevos descubrimientos fueron posibles gracias a una colaboración interdisciplinaria única entre físicos de LMU Munich, el ORIGINS Excellence Cluster, el Instituto Max Planck de Física Extraterrestre (MPE) y el ORIGINS Data Science Lab (ODSL), que se especializa en el desarrollo de nueva ciencia. . Enfoques basados ​​en IA en física.

«Esta colaboración no sólo hace avanzar la investigación de exoplanetas, sino que también abre nuevos horizontes para el desarrollo de métodos en física basados ​​en la IA», explica David Dalbading, líder del estudio de la LMU.

«Queremos ampliar aún más nuestra cooperación internacional en el futuro para simular con mayor precisión la dispersión de las nubes de luz y así aprovechar al máximo el potencial de las redes neuronales».