Ang mga mananaliksik mula sa Warwick's Department of Physics and Computer Science at ang Alan Turing Institute ay lumikha ng isang machine learning-based na algorithm upang pag-aralan ang isang sample ng mga potensyal na exoplanet at matukoy kung alin ang mga tunay at kung alin ang 'pekeng' o maling positibo. Ang mga set ng data ng planeta ay natagpuan ng mga misyon tulad ng Kepler at TESS ng NASA. Ang mga resulta ay ipinakita sa isang bagong pag-aaral na inilathala sa Buwanang Mga Abiso ng Royal Astronomical Society.
Ginamit nila ang algorithm sa isang dataset mula sa Kepler, na nagresulta sa 50 bagong kumpirmadong planeta, ang una ay na-verify gamit ang machine learning. Ang 50 planetang ito ay may sukat mula Neptune hanggang Earth-sized na mga planeta, na may mga orbit mula 200 hanggang 1 araw.
"Sa halip na sabihin kung aling mga kandidato ang mas malamang na maging mga planeta, maaari na nating sabihin kung ano ang eksaktong istatistikal na posibilidad. Kung ang pagkakataon ng isang kandidato na maging isang maling positibo ay mas mababa sa 1%, ito ay itinuturing na isang kumpirmadong planeta," sabi ni Dr David Armstrong mula sa Department of Physics sa University of Warwick.
Sa sandaling binuo at sinanay, ang algorithm ay mas mabilis kaysa sa mga kasalukuyang pamamaraan at maaaring ganap na awtomatiko, na ginagawang perpekto para sa pagsusuri sa libu-libong potensyal na mga kandidato sa planeta na naobserbahan sa kasalukuyang mga survey ng TESS.
Basahin din: