Onderzoekers van Warwick's Department of Physics and Computer Science en het Alan Turing Institute hebben een op machine learning gebaseerd algoritme ontwikkeld om een steekproef van potentiële exoplaneten te analyseren en te bepalen welke echt zijn en welke 'fakes' of false positives zijn. Planetaire datasets zijn gevonden door missies zoals NASA's Kepler en TESS. De resultaten worden gepresenteerd in een nieuwe studie gepubliceerd in de Monthly Notices of the Royal Astronomical Society.
Ze gebruikten het algoritme op een dataset van Kepler, resulterend in 50 nieuwe bevestigde planeten, waarvan de eerste werd geverifieerd met behulp van machine learning. Deze 50 planeten variëren in grootte van Neptunus tot planeten ter grootte van de aarde, met banen van 200 tot 1 dag.
“In plaats van te zeggen welke kandidaten waarschijnlijker planeten zijn, kunnen we nu zeggen wat de exacte statistische waarschijnlijkheid is. Als de kans dat een kandidaat vals-positief is minder dan 1% is, wordt het beschouwd als een bevestigde planeet', zegt dr. David Armstrong van de afdeling Natuurkunde van de Universiteit van Warwick.
Eenmaal gebouwd en getraind, is het algoritme sneller dan de huidige methoden en kan het volledig worden geautomatiseerd, waardoor het ideaal is voor het analyseren van de duizenden potentiële planeetkandidaten die in huidige TESS-onderzoeken zijn waargenomen.
Lees ook: