Des chercheurs du Département de physique et d'informatique de Warwick et de l'Institut Alan Turing ont créé un algorithme basé sur l'apprentissage automatique pour analyser un échantillon d'exoplanètes potentielles et déterminer lesquelles sont authentiques et lesquelles sont des « fausses » ou des faux positifs. Des ensembles de données planétaires ont été trouvés par des missions telles que Kepler et TESS de la NASA. Les résultats sont présentés dans une nouvelle étude publiée dans les Monthly Notices of the Royal Astronomical Society.
Ils ont utilisé l'algorithme sur un ensemble de données de Kepler, résultant en 50 nouvelles planètes confirmées, dont la première a été vérifiée à l'aide de l'apprentissage automatique. Ces 50 planètes varient en taille de Neptune aux planètes de la taille de la Terre, avec des orbites de 200 à 1 jour.
« Au lieu de dire quels candidats sont plus susceptibles d'être des planètes, nous pouvons maintenant dire quelle est la probabilité statistique exacte. Si la probabilité qu'un candidat soit un faux positif est inférieure à 1 %, il est considéré comme une planète confirmée », a déclaré le Dr David Armstrong du Département de physique de l'Université de Warwick.
Une fois construit et formé, l'algorithme est plus rapide que les méthodes actuelles et peut être entièrement automatisé, ce qui le rend idéal pour analyser les milliers de planètes candidates potentielles observées dans les enquêtes TESS actuelles.
Lisez aussi: