Forskare från Warwicks institution för fysik och datavetenskap och Alan Turing Institute har skapat en maskininlärningsbaserad algoritm för att analysera ett urval av potentiella exoplaneter och avgöra vilka som är äkta och vilka som är "falska" eller falska positiva. Planetära datauppsättningar har hittats av uppdrag som NASA:s Kepler och TESS. Resultaten presenteras i en ny studie publicerad i Monthly Notices of the Royal Astronomical Society.
De använde algoritmen på en datauppsättning från Kepler, vilket resulterade i 50 nya bekräftade planeter, varav den första verifierades med hjälp av maskininlärning. Dessa 50 planeter varierar i storlek från Neptunus till planeter i jordstorlek, med banor från 200 till 1 dag.
"Istället för att säga vilka kandidater som är mer benägna att vara planeter, kan vi nu säga vad den exakta statistiska sannolikheten är. Om chansen för en kandidat att vara en falsk positiv är mindre än 1%, anses den vara en bekräftad planet", säger Dr David Armstrong från Institutionen för fysik vid University of Warwick.
När den väl har byggts och tränats är algoritmen snabbare än nuvarande metoder och kan automatiseras helt, vilket gör den idealisk för att analysera de tusentals potentiella planetkandidater som observerats i aktuella TESS-undersökningar.
Läs också: