Detectan más de 100 exoplanetas con la ayuda de IA: sus sorprendentes características

Astrónomos de la Universidad de Warwick, en el Reino Unido, lograron validar 118 exoplanetas fuera del sistema solar con la ayuda de inteligencia artificial aplicada a los datos del satélite TESS de la NASA.

El hallazgo, difundido por la revista Monthly Notices of the Royal Astronomical Society, representa uno de los mayores avances en la búsqueda y caracterización de exoplanetas de órbita cercana y aporta herramientas para acelerar la selección de sistemas prometedores en futuras investigaciones.

El programa de inteligencia artificial, denominado RAVEN, permitió analizar de manera sistemática observaciones de más de 2,2 millones de estrellas recopiladas por la misión TESS durante sus primeros cuatro años de operación.

Según los responsables del hallazgo, la aplicación de esta tecnología significó la validación de 118 planetas, 31 de ellos nunca detectados previamente y cerca de 2.000 candidatos adicionales que podrían ampliar de forma considerable el catálogo actual, que ya supera los 6.000 exoplanetas confirmados.

“Esto representa una de las muestras mejor caracterizadas de planetas cercanos a la Tierra y nos ayudará a identificar los sistemas más prometedores para futuros estudios”, señaló Marina Lafarga Magro, líder del equipo, según el comunicado de la Universidad de Warwick.

La búsqueda de exoplanetas depende de la capacidad de detectar pequeñas disminuciones en la luz estelar, un fenómeno conocido como tránsito, que ocurre cuando un planeta pasa frente a su estrella anfitriona. El proceso implica distinguir entre señales auténticas y fenómenos que pueden simular un tránsito, como estrellas binarias en eclipse.

“El reto consiste en determinar si el oscurecimiento se debe realmente a un planeta en órbita alrededor de la estrella o a otra cosa, como estrellas binarias eclipsantes, que es lo que RAVEN intenta responder”, explicó Andreas Hadjigeorghiou, principal desarrollador del sistema, en declaraciones recogidas por la universidad.

RAVEN se entrenó con cientos de miles de planetas simulados y otros fenómenos astrofísicos que pueden confundirse visualmente con exoplanetas.

Este aprendizaje automático permitió a la herramienta identificar patrones complejos y reducir de manera significativa los falsos positivos, brindando mayor precisión que los métodos tradicionales y permitiendo validar señales que antes quedaban sin confirmar.

Un avance en la clasificación y el conocimiento de nuevas poblaciones planetarias

La validación de más de un centenar de nuevos exoplanetas no solo amplía el inventario de mundos conocidos, sino que también aporta información inédita sobre la distribución y frecuencia de diferentes tipos de planetas alrededor de estrellas similares al Sol.

Según datos publicados por la Universidad de Warwick, cerca del 10 por ciento de las estrellas tipo solar analizadas por TESS albergan planetas cercanos, un valor que coincide con lo observado por la misión Kepler pero que ahora cuenta con menor margen de error, gracias a la capacidad de procesamiento de la inteligencia artificial.

Entre los hallazgos figura la identificación de planetas de período ultracorto, que completan una órbita alrededor de su estrella en menos de 24 horas, y de nuevos sistemas multiplanetarios, incluso con pares planetarios desconocidos hasta el momento.

También se logró cuantificar con precisión la densidad de planetas en la región conocida como “desierto neptuniano”, una zona del espacio donde la presencia de cuerpos del tamaño de Neptuno es inusualmente baja.

“Por primera vez, podemos cuantificar con precisión cuán vacío está este ‘desierto’”, declaró Kaiming Cui, líder del equipo dedicado al estudio de este fenómeno, citado en el comunicado de Warwick. El análisis concluyó que solo el 0,08 por ciento de las estrellas similares al Sol albergan planetas de este tipo, un dato que ayuda a refinar los modelos de formación y evolución planetaria.

La herramienta RAVEN, además, está diseñada para gestionar todo el proceso, desde la detección de la señal hasta su verificación y validación estadística, lo que representa una ventaja sobre otros sistemas que solo cubren etapas parciales del flujo de trabajo.

Esto facilita la comparación de grandes volúmenes de datos de manera uniforme y objetiva, permitiendo construir muestras robustas y confiables para estudios poblacionales.

“RAVEN nos permite analizar conjuntos de datos enormes de forma consistente y objetiva”, remarcó David Armstrong, profesor asociado de Warwick y coautor de los trabajos publicados.

El funcionamiento de TESS y RAVEN se basa en la observación de la luz de millones de estrellas y en el procesamiento de datos para identificar fluctuaciones que puedan indicar la presencia de planetas.

Los modelos de aprendizaje automático empleados por el equipo de Warwick permiten clasificar los posibles eventos de tránsito, separar las señales auténticas de las simuladas y validar los hallazgos en menos tiempo y con mayor seguridad que mediante análisis humanos convencionales.

Nuevas perspectivas para la exploración planetaria y la colaboración internacional

La contribución de la inteligencia artificial al estudio de exoplanetas abre una etapa en la que la validación masiva y precisa se vuelve realidad y en la que se puede afinar la metodología de búsqueda y selección de objetivos para futuras observaciones.

La colaboración internacional detrás de RAVEN y la puesta a disposición de herramientas interactivas y catálogos públicos permite a otros científicos consultar los resultados completos y seleccionar objetivos de interés para observaciones con telescopios terrestres o futuras misiones espaciales, como PLATO de la Agencia Espacial Europea (ESA).

El equipo de Warwick remarcó que la validación no solo se limita a confirmar la existencia de planetas, sino que también permite caracterizarlos con mayor precisión, en especial aquellos con órbitas extremadamente cortas o ubicados en regiones poco pobladas según los modelos teóricos. El trabajo también aportó información sobre sistemas multiplanetarios, lo que ayuda a entender mejor la distribución y formación de estos cuerpos en torno a estrellas parecidas al Sol.

La creciente cantidad de candidatos y planetas validados pone de relieve el papel central de la inteligencia artificial en la aceleración de descubrimientos astronómicos.

“Hemos entrenado modelos de aprendizaje automático para identificar patrones en los datos que nos indiquen el tipo de fenómeno que hemos detectado, algo en lo que los modelos de IA destacan”, indicó Andreas Hadjigeorghiou en el comunicado oficial.

La comunidad científica valora la reducción de la incertidumbre en la medición de la frecuencia de exoplanetas y la posibilidad de cuantificar fenómenos como el “desierto neptuniano”, que hasta ahora se conocía de manera muy aproximada.

Los responsables del sistema RAVEN pusieron énfasis en que los datos aportados constituyen una base sólida para investigaciones más profundas y para la mejora en la selección de objetivos para observaciones de mayor resolución o seguimiento espectroscópico.

El avance logrado con RAVEN y TESS sienta un precedente para el procesamiento de grandes volúmenes de información en astronomía y demuestra la utilidad de la inteligencia artificial para abordar desafíos complejos en la búsqueda de nuevos mundos.

“Gracias a Raven, hemos podido validar 118 nuevos planetas y más de 2.000 candidatos a planetas de alta calidad, de los cuales casi 1.000 son totalmente nuevos”, afirmó Marina Lafarga Magro. Los resultados ofrecen nuevas oportunidades para la exploración y el análisis de sistemas planetarios fuera del sistema solar.