Um novo recurso de machine learning levou pesquisadores astronômicos a descobrirem 301 novos exoplanetas, adicionando à conta dos 4569 já anteriormente validados.
O novo recurso se chama “ExoMiner” e usa a capacidade de processamento do supercomputador Pleiades da NASA para, em termos resumidos, diferenciar objetos que imitam planetas, mas não o são – os chamados “falsos positivos”.
“Ao contrário de outros programas de Machine Learning (ML, Aprendizado de Máquina) que detectam exoplanetas, o ExoMiner não é uma ‘caixa preta’ – não há nenhum mistério quanto a porque ele decide que um objeto é ou não um planeta”, explicou Jon Jenkins, cientista de exoplanetas do Centro Ames de Pesquisa da NASA na Califórnia, via comunicado. “Nós podemos facilmente explicar quais funções usadas pelo ExoMiner confirmam ou rejeitam um planeta”.
Segundo um paper publicado pela equipe do centro Ames, o ExoMiner usa bases de informações coletadas pelas missões Kepler e K2 da NASA. Especificamente, a biblioteca de candidatos pendentes de verificação na base do observatório espacial Kepler. O maior problema disso é o de que milhares de estrelas estavam em seu campo de visão – e cada estrela tinha potencial para abrigar diversos exoplanetas. Analisar isso tudo caso por caso exigiria um tempo fora do comum para qualquer pessoa.
O ExoMiner elimina esse problema ao acelerar o processo de análise usando dados estatísticos e parâmetros observacionais que já foram usados para encontrar outros exoplanetas. A grosso modo, é o mesmo método humano, agora empregado por uma máquina para conduzi-lo de forma mais veloz e precisa.
“Quando o ExoMiner diz que algo é um planeta, você pode ter certeza de que aquilo realmente é um planeta”, disse Hamed Valizadegan, líder do projeto no Centro Ames. “O ExoMiner é altamente preciso e, em alguns casos, bem mais confiável que os classificadores computadorizados e os experts humanos os quais ele emula – isso porque os dois trazem certos vieses de confirmação naturais à análise humana”.
Entre para comentar.