La ricerca degli esopianeti si trova di fronte a un problema di scala: i dati raccolti dalle missioni spaziali Kepler e Tess sono così voluminosi che i metodi tradizionali di analisi non bastano. Con l’arrivo di nuovi strumenti, come il telescopio Tess, la quantità di informazioni cresce esponenzialmente. Questo rende necessario un sistema in grado di gestire e interpretare i dati in modo automatico e rapido. La Nasa ha risposto a questa sfida con ExoMiner++, un sistema basato sul deep learning in grado di processare automaticamente i dati e individuare i segnali promettenti. Questo strumento permette di analizzare centinaia di migliaia di curve di luce in modo rapido e preciso, riducendo il carico di lavoro per i ricercatori.
La tecnica dei transiti e i falsi positivi
La rilevazione di esopianeti si basa sull’osservazione del fenomeno dei transiti: quando un pianeta si colloca tra la sua stella e l’osservatore, la luce proveniente da quest’ultima subisce una lieve diminuzione. Questo segnale permette di ricavare informazioni fondamentali sui corpi celesti, come dimensioni e caratteristiche dell’orbita. Tuttavia, la stessa sensibilità che rende questa tecnica utile può generare anche segnali non riconducibili a esopianeti. Fenomeni come sistemi stellari binari, macchie stellari o interferenze causate dagli strumenti possono produrre segnali simili a quelli veri, complicando la validazione iniziale.
ExoMiner++: un algoritmo in grado di distinguere
ExoMiner++ rappresenta un passo avanti rispetto a un modello precedentemente testato nel 2021. Il sistema è in grado di apprendere simultaneamente dai dati di Kepler e Tess, nonostante le profonde differenze operative tra le due missioni. Mentre Kepler si concentrava su una zona celeste limitata, Tess analizzava quasi l’intero cielo, privilegiando stelle più vicine. Durante un primo esame dei dati provenienti da Tess, l’algoritmo ha individuato circa 7.000 segnali potenzialmente legati alla presenza di esopianeti. Anche se questi segnali necessitano di ulteriore conferma, il sistema è in grado di distinguere rapidamente tra transiti autentici e segnali spurii, riducendo così la necessità di interventi manuale.
