A.I. alla scoperta dello Spazio

Lo scorso 14 dicembre 2017, la NASA, l’agenzia americana per lo spazio, ha indetto una conferenza stampa straordinaria per annunciare le ultime scoperte del suo telescopio spaziale Kepler, “il cacciatore di pianeti”.

Da quando è stato lanciato nel 2009, Kepler ha contribuito ad accrescere notevolmente le nostre conoscenze sulla porzione di Spazio nelle nostre immediate vicinanze e in particolare sugli esopianeti, pianeti simili alla Terra, in orbita intorno a stelle simili al Sole.

Una decina di anni fa, infatti, non era ancora chiaro quanto fossero comuni gli esopianeti: si temeva che la nostra Terra, con le sue particolari caratteristiche che hanno reso possibile la vita, fosse addirittura un piccolo incidente isolato nel cosmo. Ora, grazie alle scoperte di Kepler, si stima che potrebbe esserci almeno un pianeta in orbita intorno a ogni stella del cielo.

Rappresentazione artistica del telescopio spaziale Kepler. Credits: NASA

Il nucleo dell’annuncio è la scoperta di un nuovo pianeta orbitante la stella Kepler-90, distante da noi 2545 anni luce, circa 24 miliardi di miliardi di kilometri, che si aggiunge ai sette che già erano stati scoperti.
Questo fatto è interessante perché accomuna il sistema planetario di Kepler-90 al nostro per numero di pianeti, oltre che per la loro disposizione: a orbitare vicino alla stella ci sono infatti i pianeti rocciosi, cosiddetti terrestri perché simili alla Terra, mentre in orbite esterne ci sono i giganti gassosi, o gioviani.

La particolarità dell’annuncio, tuttavia, non è nella scoperta di un nostro fratello spaziale in sé (la scoperta di TRAPPIST-1, di qualche tempo fa, infatti, aveva alimentato speranze molto più forti riguardo alla possibilità di trovare tracce di vita aliena), ma nella modalità della scoperta.

Kepler cerca esopianeti osservando la luce che arriva dalle stelle. Se un pianeta transita davanti a una stella, il fotometro di Kepler può registrare una minuscola diminuzione nell’intensità della luce emanata dalla stella, e ciò fornisce informazioni utili all’identificazione del pianeta in transito davanti a essa.

In quattro anni di attività, Kepler ha accumulato 35000 di questi possibili segnali planetari e in questa enorme mole di dati bisogna cercare di selezionare quelli che più probabilmente indicano la presenza di un pianeta. Di solito ciò viene fatto ricercando dei pattern ricorrenti e indicativi delle caratteristiche di un esopianeta, a volte con dei procedimenti automatizzati, a volte con il solo impegno umano.

Tuttavia, i pianeti più interessanti, ovvero quelli simili al nostro, sono al limite della sensibilità di rilevazione della missione e i segnali più deboli potrebbero andare persi.

Per questo motivo la NASA si è alleata con Google, che ha messo a disposizione la sua tecnologia di intelligenza artificiale creando algoritmi di machine learning che riconoscessero questi pattern e riuscissero in maniera estremamente più veloce ed efficiente a fare chiarezza nei dati, e selezionare da essi le informazioni interessanti.

Semplificando al massimo, diciamo che nel machine learning si cerca di insegnare a una macchina a pensare come noi, almeno in senso metaforico, tramite particolari processi che assomigliano all’apprendimento umano, e la metafora si estende quando parliamo di reti neurali.

Una rete neurale è un sistema informatico che, come il nostro cervello, ha una struttura composta da unità collegate tra loro da connessioni, come i neuroni sono collegati dalle sinapsi, creando una rete in cui viaggia l’informazione.

I ricercatori Christopher Shallue, di Google, e Andrew Vanderburg, della NASA, hanno proposto un metodo per classificare potenziali segnali planetari utilizzando il deep learning, una classe di algoritmi di machine learning di recente sviluppo.

Un sistema di deep learning ha la particolarità di essere costituito da una rete neurale pluristratificata. L’informazione viaggia da uno strato a quello immediatamente successivo, venendo filtrata a ogni passaggio. Inoltre, a ogni passaggio la precisione aumenta, come se, di volta in volta, si usasse un setaccio sempre più fine.

Queste reti di deep learning vengono addestrate “all’indietro”: si parte dall’output e si misura la discrepanza di questo dal risultato atteso. Si procede poi a ritroso, calcolando quanto ognuno degli strati precedenti abbia contribuito all’errore finale e si riaggiustano le connessioni in base all’entità della discrepanza. Ripetendo questo procedimento innumerevoli volte con enormi quantità di dati campione, si ottengono previsioni estremamente precise.

Il sistema planetario Kepler-90, con il nuovo arrivato Kepler-90i, a confronto con il nostro sistema solare. In questa rappresentazione artistica, le dimensioni dei pianeti sono in scala, mentre le distanze tra di loro non lo sono.


Shallue e Vanderburg hanno addestrato così un computer a predire se un dato segnale corrispondeva a un esopianeta in transito o a un falso positivo, sottoponendo alla rete neurale un campione di 15000 segnali già verificati e registrati. Una volta che la rete neurale aveva “imparato” a riconoscere i pattern per l’identificazione degli esopianeti, poteva procedere all’analisi di nuovi dati non ancora verificati.

Sorprendentemente, il metodo si è rivelato capace di discernere con ottima precisione esopianeti da falsi positivi e di districarsi egregiamente anche in casi in cui il segnale di un pianeta in transito era molto vicino al livello di rumore.

“Abbiamo trovato molti falsi positivi, ma anche potenzialmente più pianeti”, ha detto lo stesso Venderburg. “È come setacciare rocce per trovare gioielli. Se hai un setaccio più fine prenderai più rocce, ma anche molti più gioielli.”

 

Fonte: NASA

Sull’Autore

Sono laureata in fisica teorica e sono affascinata dall'infinitamente grande dell'Universo e dall'infinitamente piccolo del mondo quantistico. Gli oggetti del mondo in media scala mi lasciano in genere abbastanza indifferente, a parte i dischi di David Bowie.

Articoli Collegati