Forskere fra Warwicks avdeling for fysikk og informatikk og Alan Turing Institute har laget en maskinlæringsbasert algoritme for å analysere et utvalg av potensielle eksoplaneter og finne ut hvilke som er ekte og hvilke som er "falske" eller falske positive. Planetariske datasett er funnet av oppdrag som NASAs Kepler og TESS. Resultatene presenteres i en ny studie publisert i Monthly Notices of the Royal Astronomical Society.
De brukte algoritmen på et datasett fra Kepler, noe som resulterte i 50 nye bekreftede planeter, hvorav den første ble verifisert ved hjelp av maskinlæring. Disse 50 planetene varierer i størrelse fra Neptun til planeter på størrelse med jorden, med baner fra 200 til 1 dag.
"I stedet for å si hvilke kandidater som er mer sannsynlig å være planeter, kan vi nå si hva den nøyaktige statistiske sannsynligheten er. Hvis sjansen for at en kandidat blir en falsk positiv er mindre enn 1 %, regnes den som en bekreftet planet," sa Dr David Armstrong fra Institutt for fysikk ved University of Warwick.
Når den er bygget og trent, er algoritmen raskere enn nåværende metoder og kan fullautomatiseres, noe som gjør den ideell for å analysere tusenvis av potensielle planetkandidater observert i aktuelle TESS-undersøkelser.
Les også: