Forscher des Warwick Department of Physics and Computer Science und des Alan Turing Institute haben einen auf maschinellem Lernen basierenden Algorithmus entwickelt, um eine Stichprobe potenzieller Exoplaneten zu analysieren und festzustellen, welche echt und welche „Fälschungen“ oder falsch positive Ergebnisse sind. Planetendatensätze wurden von Missionen wie Kepler und TESS der NASA gefunden. Die Ergebnisse werden in einer neuen Studie präsentiert, die in den Monthly Notices of the Royal Astronomical Society veröffentlicht wurde.
Sie verwendeten den Algorithmus auf einem Datensatz von Kepler, was zu 50 neuen bestätigten Planeten führte, von denen der erste mithilfe von maschinellem Lernen verifiziert wurde. Diese 50 Planeten haben eine Größe von Neptun bis zu erdgroßen Planeten mit Umlaufbahnen von 200 bis 1 Tag.
„Anstatt zu sagen, welche Kandidaten eher Planeten sind, können wir jetzt sagen, was die genaue statistische Wahrscheinlichkeit ist. Wenn die Wahrscheinlichkeit, dass ein Kandidat falsch positiv ist, weniger als 1 % beträgt, gilt er als bestätigter Planet“, sagte Dr. David Armstrong vom Fachbereich Physik der Universität Warwick.
Einmal erstellt und trainiert, ist der Algorithmus schneller als aktuelle Methoden und kann vollständig automatisiert werden, was ihn ideal für die Analyse der Tausenden von potenziellen Planetenkandidaten macht, die in aktuellen TESS-Vermessungen beobachtet werden.
Lesen Sie auch: