ИИ-модель предсказывает подтверждение экзопланет в данных TESS и Kepler
Команда астрономов и специалистов по машинному обучению представила новый подход к приоритизации кандидатов в экзопланеты. Разработанная ими модель на основе ИИ способна одинаково эффективно работать с данными телескопов TESS и Kepler, предсказывая вероятность подтверждения каждого объекта.
Для обучения модели исследователи выбрали шесть ключевых параметров транзитной сигнатуры: орбитальный период планеты, радиус планеты, температура звезды, радиус звезды, глубина транзита и длительность транзита. Эти параметры были взяты из обработанных баз данных НАСА по миссиям Kepler и TESS.
В ходе работы выяснилось, что модели, обученные исключительно на данных одного телескопа, плохо справляются с предсказаниями для другого. Причина — существенное различие в распределении выбранных параметров между базами данных Kepler и TESS. Однако совместное обучение на данных обоих инструментов позволило создать универсальную модель, показывающую хорошие результаты на каждом из них.
Итоговая модель представляет собой ансамбль из нескольких алгоритмов, что повышает статистическую надежность. С ее помощью ученые составили список наиболее перспективных кандидатов в экзопланеты как в данных Kepler, так и TESS. Анализ уже подтвержденных планет и ложноположительных сигналов, появившихся после завершения работы, показал эффективность подхода.
По словам авторов, их метод может быть особенно полезен в преддверии запуска космического телескопа имени Нэнси Грейс Роман (Nancy Grace Roman Space Telescope). Ожидается, что Roman обнаружит на порядок больше кандидатов в экзопланеты, что потребует автоматизированной и точной системы приоритизации для дальнейшего анализа.
