Forskere fra Warwicks afdeling for fysik og datalogi og Alan Turing Institute har skabt en maskinlæringsbaseret algoritme til at analysere en prøve af potentielle exoplaneter og bestemme, hvilke der er ægte, og hvilke der er "falske" eller falske positive. Planetariske datasæt er blevet fundet af missioner som NASAs Kepler og TESS. Resultaterne præsenteres i en ny undersøgelse offentliggjort i Monthly Notices of the Royal Astronomical Society.
De brugte algoritmen på et datasæt fra Kepler, hvilket resulterede i 50 nye bekræftede planeter, hvoraf den første blev verificeret ved hjælp af maskinlæring. Disse 50 planeter varierer i størrelse fra Neptun til planeter på størrelse med Jorden, med kredsløb fra 200 til 1 dag.
"I stedet for at sige, hvilke kandidater der er mere tilbøjelige til at være planeter, kan vi nu sige, hvad den nøjagtige statistiske sandsynlighed er. Hvis chancen for, at en kandidat bliver en falsk positiv, er mindre end 1 %, betragtes den som en bekræftet planet," sagde Dr. David Armstrong fra Institut for Fysik ved University of Warwick.
Når først den er bygget og trænet, er algoritmen hurtigere end nuværende metoder og kan fuldautomatiseres, hvilket gør den ideel til at analysere de tusindvis af potentielle planetkandidater, der er observeret i aktuelle TESS-undersøgelser.
Læs også: