Aprendizado de máquina pode ajudar a identificar exoplanetas potencialmente habitáveis
Até o momento, já são mais de cinco mil exoplanetas confirmados em 3.711 sistemas planetários, com outros mais de 8,7 mil candidatos aguardando confirmação. Com tantos mundos disponíveis para estudo e diante das cada vez mais importantes melhorias na sensibilidade dos telescópios e na análise de dados, o foco sai da descoberta e passa para a identidade / caracterização desses corpos.
Ou seja, quase tão ou ainda mais importante do que saber que esses planetas existem é examiná-los para identificar mundos “potencialmente habitáveis”, em busca de possíveis “bioassinaturas”. Isso se refere às assinaturas químicas associadas à vida e aos processos biológicos, sendo uma das mais importantes delas a água.
Como o único solvente conhecido sem o qual a vida (como a conhecemos) não pode existir, a água é considerada a referência para encontrar a vida. Em um estudo recente, os astrofísicos Dang Pham e Lisa Kaltenegger explicam como pesquisas futuras (quando combinadas com aprendizado de máquina) podem discernir a presença de água, neve e nuvens em exoplanetas distantes.
Pham é um estudante de pós-graduação da Universidade de Toronto, onde se especializou em pesquisa de dinâmica planetária. Lisa é professora associada de Astronomia na Universidade de Cornell, Diretora do Instituto Carl Sagan e especialista em modelagem de mundos potencialmente habitáveis e na caracterização de suas atmosferas.
“A água líquida na superfície de um planeta é uma das armas fumegantes para a vida potencial – digo potencial aqui porque não sabemos o que mais precisamos para começar a vida. Mas a água líquida é um ótimo começo. Então usamos o slogan da Nasa de ‘apenas siga a água’ e nos perguntamos ‘como podemos encontrar água na superfície de exoplanetas rochosos na zona habitável?’”, disse Lisa. “Fazer espectroscopia é demorado, por isso estamos procurando uma maneira mais rápida de identificar inicialmente planetas promissores – aqueles com água líquida”.
Atualmente, os astrônomos estão limitados a procurar a absorção da linha Lyman-alfa, que indica a presença de gás hidrogênio na atmosfera de um exoplaneta. Ele é um subproduto do vapor de água atmosférico que foi exposto à radiação ultravioleta solar, fazendo com que se dissocie quimicamente em hidrogênio e oxigênio molecular (O2) – o primeiro dos quais é perdido no espaço enquanto o último é retido.
Isso está prestes a mudar, com os telescópios espaciais de próxima geração, como o James Webb (JWST), o Nancy Grace Roman (RST), o Telescópio Espacial Origins, o Observatório de Exoplanetas Habitáveis (HabEx) e o Large UV/Optical/IR Surveyor (LUVOIR). Existem também telescópios terrestres como o Extremely Large Telescope (ELT), o Giant Magellan Telescope (GMT) e o Thirty Meter Telescope (TMT).
Graças aos seus grandes espelhos primários e ao conjunto avançado de espectrógrafos, cronógrafos e óptica adaptativa, esses instrumentos poderão realizar estudos diretos de imagens de exoplanetas. Isso consiste em estudar a luz refletida diretamente da atmosfera ou superfície de um exoplaneta para obter espectros, permitindo que os astrônomos vejam quais elementos químicos estão presentes. Entretanto, conforme eles indicam em seu artigo, esse é um processo demorado.
Os astrônomos começam observando milhares de estrelas em busca de quedas periódicas de brilho e, em seguida, analisam as curvas de luz em busca de sinais de assinaturas químicas. Atualmente, pesquisadores de exoplanetas e astrobiólogos contam com astrônomos amadores e algoritmos de máquina para classificar os volumes de dados que seus telescópios obtêm. Olhando para o futuro, Pham e Lisa mostram como o aprendizado de máquina mais avançado será crucial.
Como indicam, as técnicas de aprendizado de máquina permitirão que os astrônomos conduzam as caracterizações iniciais de exoplanetas mais rapidamente, possibilitando aos astrônomos priorizarem alvos para observações de acompanhamento. Ao “seguir a água”, os astrônomos poderão dedicar mais do valioso tempo de pesquisa de um observatório a exoplanetas com maior probabilidade de fornecer retornos significativos.
“Os telescópios de próxima geração procurarão vapor de água na atmosfera dos planetas e água na superfície dos planetas”, disse Lisa. “É claro que, para encontrar água na superfície dos planetas, você deve procurar água em suas formas líquida, sólida e gasosa, como fizemos em nosso estudo”.
“O aprendizado de máquina nos permite identificar rapidamente os filtros ideais, bem como a compensação na precisão em várias relações sinal-ruído”, acrescentou Pham. “Na primeira tarefa, usando o algoritmo de código aberto XG Boost, obtemos uma classificação de quais filtros são mais úteis para o algoritmo em suas tarefas de detecção de água, neve ou nuvem. Na segunda tarefa, podemos observar como muito melhor o desempenho do algoritmo com menos ruído. Com isso, podemos traçar uma linha onde obter mais sinal não corresponderia a uma precisão muito melhor”.
Para certificar-se de que seu algoritmo estava à altura da tarefa, Pham e Lisa fizeram algumas calibrações consideráveis. Isso consistiu na criação de 53.130 perfis de espectros de uma Terra fria com vários componentes de superfície – incluindo neve, água e nuvens de água. Eles então simularam os espectros dessa água em termos de refletividade da atmosfera e da superfície e perfis de cores atribuídos.
Como Pham explicou: “A atmosfera foi modelada usando Exo-Prime2—Exo-Prime2 foi validado por comparação com a Terra em várias missões. A refletividade de superfícies como neve e água são medidas na Terra pelo USGS. Em seguida, criamos cores a partir desses espectros. Treinamos o XG Boost nessas cores para realizar três objetivos separados: detectar a existência de água, a existência de nuvens e a existência de neve”.
Esse XG Boost treinado mostrou que as nuvens e a neve são mais fáceis de identificar do que a água, o que é esperado, já que as nuvens e a neve têm um albedo (maior refletividade da luz solar) muito mais alto do que a água.
Eles identificaram ainda cinco filtros ideais que funcionaram extremamente bem para o algoritmo, todos com 0,2 micrômetros de largura e na faixa de luz visível. A etapa final foi realizar uma avaliação de probabilidade simulada para avaliar seu modelo de planeta em relação à água líquida, neve e nuvens a partir do conjunto de cinco filtros ideais que eles identificaram.
“Finalmente, realizamos uma breve análise bayesiana usando Markov-Chain Monte Carlo (MCMC) para fazer a mesma tarefa nos cinco filtros ideais, como um método não de aprendizado de máquina para validar nossa descoberta”, disse Pham. “Nossas descobertas são semelhantes: a água é mais difícil de detectar, mas identificar água, neve e nuvens por meio de fotometria é viável”.
Da mesma forma, eles ficaram surpresos ao ver quão bem o XG Boost treinado poderia identificar água na superfície de planetas rochosos com base apenas na cor. De acordo com Lisa, isso é o que os filtros realmente são: um meio para separar a luz em “caixas” discretas. “Imagine uma lixeira para toda a luz vermelha (o filtro “vermelho”), depois uma lixeira para toda a luz verde, do claro ao escuro (o filtro “verde”)”, disse ela.
O método proposto não identifica água em atmosferas de exoplanetas, mas na superfície de um exoplaneta por meio de fotometria. Além disso, não funcionará com o Método de Trânsito (também conhecido como Fotometria de Trânsito), que atualmente é o meio mais utilizado e eficaz de detecção de exoplanetas, e consiste em observar estrelas distantes para quedas periódicas na luminosidade atribuídas a exoplanetas que passam na frente da estrela (também conhecido como trânsito) em relação ao observador.
Ocasionalmente, os astrônomos podem obter espectros da atmosfera de um exoplaneta enquanto ele faz um trânsito – um processo conhecido como “espectroscopia de trânsito”. À medida que a luz da estrela hospedeira passa pela atmosfera do exoplaneta em relação ao observador, os astrônomos a analisam com espectrômetros para determinar quais substâncias químicas estão lá. Usando sua óptica sensível e conjunto de espectrômetros, o JWST contará com esse método para caracterizar atmosferas de exoplanetas.
Já assistiu aos nossos novos vídeos no YouTube? Inscreva-se no nosso canal!
Fonte: Olhar Digital
Comentários