Современная астрономия с трудом справлялась бы без ИИ и машинного обучения (МО), которые стали незаменимыми инструментами. Только они способны управлять и работать с огромными объемами данных, которые генерируют современные телескопы. МО может просеивать большие наборы данных, ища определенные закономерности, на поиск которых у людей ушло бы гораздо больше времени.
Поиск биосигнатур на экзопланетах земного типа является важнейшей частью современной астрономии, и МО может сыграть в нем большую роль.
Поскольку экзопланеты находятся так далеко, астрономы уделяют пристальное внимание тем, которые допускают трансмиссионную спектроскопию. Когда звездный свет проходит через атмосферу планеты, спектроскопия может разделить свет на разные длины волн. Затем астрономы исследуют свет на предмет явных признаков определенных молекул. Однако химические биосигнатуры в атмосферах экзопланет сложны, поскольку естественные абиогенные процессы могут генерировать некоторые из тех же сигнатур.
Хотя метод является мощным, он сталкивается с некоторыми проблемами. Звездная активность, такая как звездные пятна и вспышки, может загрязнять сигнал, а свет от атмосферы может быть очень слабым по сравнению со светом звезды. Если в атмосфере экзопланеты есть облака или дымка, это может затруднить обнаружение молекулярных линий поглощения в спектроскопических данных. Рэлеевское рассеяние усугубляет проблему, и также может быть несколько различных интерпретаций одного и того же спектроскопического сигнала. Чем больше таких типов «шума» в сигнале, тем хуже отношение сигнал/шум (SNR). Зашумленные данные — данные с низким SNR — представляют собой выраженную проблему.
Мы все еще открываем различные типы экзопланет и планетарных атмосфер, и наши модели и методы анализа не завершены. В сочетании с проблемой низкого SNR эта пара представляет собой серьезное препятствие.
Но машинное обучение может помочь, согласно новому исследованию. «Машинная классификация потенциальных биосигнатур на экзопланетах земного типа с использованием спектров передачи с низким отношением сигнал/шум» — это статья, рассматриваемая в Monthly Notices of the Royal Astronomical Society. Ведущий автор — Дэвид С. Дуке-Кастаньо из Computational Physics and Astrophysics Group в Университете Антиокии в Медельине, Колумбия.
JWST — наш самый мощный инструмент трансмиссионной спектроскопии, и он показал впечатляющие результаты. Но есть проблема: время наблюдения. Некоторые наблюдения требуют огромного количества времени. Может потребоваться непомерно большое количество транзитов, чтобы обнаружить такие вещи, как озон. Если бы у нас было неограниченное количество времени наблюдения, это не имело бы такого значения.
Одно исследование показало, что в случае TRAPPIST-1e может потребоваться до 200 транзитов для получения статистически значимых обнаружений. Число транзитов становится более разумным, если поиск ограничивается метаном и водяным паром. «Исследования показали, что с помощью разумного числа транзитов можно получить присутствие этих атмосферных видов, которые обычно связаны с глобальной биосферой», — пишут авторы. К сожалению, метан не является такой надежной биосигнатурой, как озон.
Учитывая время, необходимое для обнаружения некоторых из этих потенциальных биомаркеров, исследователи говорят, что, возможно, было бы лучше использовать JWST для проведения обследований отношения сигнал-шум (SNR). «Хотя это может не позволить статистически значимых извлечений, это, по крайней мере, позволит планировать будущие последующие наблюдения интересных целей с помощью текущих и будущих более мощных телескопов (например, ELT, LUVOIR, HabEx, Roman, ARIEL)», — пишут авторы, ссылаясь на названия телескопов, которые находятся на стадии строительства или планирования.
Исследователи разработали инструмент машинного обучения, чтобы помочь с этой проблемой. Они говорят, что он может ускорить поиск пригодных для жизни миров, используя мощь ИИ. «В этой работе мы разработали и протестировали общую методологию машинного обучения, предназначенную для классификации спектров передачи с низким отношением сигнал/шум в соответствии с их потенциалом содержать биосигнатуры», — пишут они.
Поскольку большая часть наших данных спектроскопии атмосферы экзопланет представляет собой шум, инструмент МО предназначен для его обработки, определения уровня шума и классификации атмосфер, которые могут содержать метан, озон и/или воду или которые достаточно интересны для последующих наблюдений.
Команда сгенерировала один миллион синтетических атмосферных спектров на основе хорошо известной планеты TRAPPIST-1 e, а затем обучила на них свои модели МО. TRAPPIST-1e по размеру похожа на Землю и является каменистой планетой в обитаемой зоне своей звезды. «Система TRAPPIST-1 привлекла значительное внимание ученых
в последние годы, особенно в планетарных науках и астробиологии, благодаря своим исключительным особенностям», — говорится в статье.
Звезда TRAPPIST-1 известна тем, что содержит наибольшее количество каменистых планет из всех обнаруженных нами систем. Для исследователей это идеальный кандидат для обучения и тестирования их моделей ML, поскольку астрономы могут получить благоприятные показания SNR за разумное время. Планета TRAPPIST-1e, вероятно, имеет компактную атмосферу, как у Земли. Полученные модели были успешными и правильно идентифицировали спектры пропускания с подходящими уровнями SNR.
Исследователи также протестировали свои модели на реалистичных синтетических атмосферных спектрах современной Земли. Их система успешно идентифицировала синтетические атмосферы, которые содержали метан и/или озон в соотношениях, близких к те, что были на Земле в протерозое. В протерозое атмосфера претерпела фундаментальные изменения из-за Великого события оксигенации (GOE).
GOE изменил все. Он позволил сформироваться озоновому слою, создал условия для процветания сложной жизни и даже привел к созданию огромных залежей железной руды, которые мы добываем сегодня. Если на других экзопланетах развилась фотосинтетическая жизнь, их атмосферы должны быть похожи на атмосферу Земли в протерозое, поэтому это важный маркер биологической жизни. (Недавнее открытие темного кислорода имеет серьезные последствия для нашего понимания кислорода как биомаркера в атмосферах экзопланет.)
В своей статье авторы описывают обнаружение кислорода или озона как «жемчужину» спектроскопических сигнатур экзопланет. Но есть и абиотические источники, и то, являются ли кислород или озон биотическими, может зависеть от того, что еще содержится в сигнатуре. «Чтобы отличить биотический O2 от абиотического, можно поискать определенные спектральные отпечатки», — пишут они.
Чтобы оценить эффективность своей модели, им необходимо знать больше, чем просто то, какие атмосферы экзопланет идентифицированы правильно (True), а какие атмосферы экзопланет идентифицированы ложно (False).
Результаты также должны быть классифицированы как истинно положительные (TP) или истинно отрицательные (TN), которые связаны с точностью, или ложноположительные (FP) или ложноотрицательные (FN), которые являются ошибками. Чтобы организовать свои данные, они создали систему классификации, которую они называют Матрицей путаницы.
«На диаграмме мы вводим категорию «интересно», чтобы выделить планеты, которые заслуживают последующих наблюдений или глубокого анализа», — объясняют авторы. «Мы должны еще раз напомнить, что это фокус этой работы: мы не стремимся обнаруживать биосигнатуры с помощью МО, а маркируем планеты, которые интересны или нет».
Одна из моделей успешно идентифицировала вероятные биосигнатуры в спектрах Земли протерозоя всего после одного транзита. На основе своих испытаний они объясняют, что JWST успешно обнаружит большинство «обитаемых планет земного типа, наблюдаемых с помощью JWST/NIRSpec PRISM вокруг М-карликов, расположенных на расстояниях, аналогичных или меньших, чем расстояние TRAPPIST-1 e». Если они существуют, то да.
Эти результаты могут усовершенствовать будущие усилия JWST. Исследователи пишут, что «машинные стратегии, подобные представленным здесь, могут значительно оптимизировать использование ресурсов JWST для поиска биосигнатур». Они могут оптимизировать процесс и максимально увеличить шансы на то, что последующие наблюдения обнаружат перспективных кандидатов. Телескоп уже два года и семь месяцев выполняет свою запланированную основную миссию продолжительностью пять с половиной лет. (Хотя телескоп может прослужить до 20 лет в целом.) Все, что может оптимизировать драгоценное время наблюдений космического телескопа, — это победа.
В целом, исследование представляет собой модель машинного обучения, которая может сэкономить время и ресурсы. Она быстро просеивает атмосферные спектры потенциально обитаемых экзопланет. Хотя она не определяет, какие из них содержат биомаркеры, она может определить лучших кандидатов для последующего наблюдения всего за 1–5 транзитов, в зависимости от типа атмосферы. Для некоторых типов потребуется больше транзитов, но модель все равно экономит время.
«Определение планеты как интересной только повысит эффективность распределения времени наблюдений ценных ресурсов, таких как JWST, что является важной целью современной астрономии», — пишут они.
