Нурлан Каримов 
Астрономы десятилетиями ведут поиск планет, похожих на Землю, за пределами нашей Солнечной системы. Эти миры, как правило, невелики, холодны и труднообнаружимы, особенно если они находятся в так называемой «обитаемой зоне» – области вокруг звезды, где условия потенциально благоприятны для существования жизни.
Новые инструменты, такие как миссия PLATO и планируемая миссия LIFE, обещают помочь в этих поисках, однако их работа требует времени. Для обнаружения всего одной планеты может потребоваться целый год наблюдений. Чтобы ускорить процесс, исследователи предложили новый подход: использовать возможности искусственного интеллекта для наведения телескопов на наиболее перспективные участки неба.
Команда ученых из Бернского университета и Национального центра компетенций в исследованиях PlanetS разработала и обучила систему искусственного интеллекта именно для этой задачи. Модель ИИ не анализирует непосредственно ночное небо, а изучает структуру уже известных планетных систем, чтобы делать обоснованные предположения о том, где могут скрываться еще не открытые планеты земного типа.
Результаты выглядят многообещающе. В ходе тестирования алгоритм машинного обучения продемонстрировал способность с 99% точностью определять системы, где вероятно присутствие землеподобных планет, что может стать значительным прорывом в поисках потенциально обитаемых миров.
Исследование экзопланет – планет за пределами Солнечной системы – показало, что у многих звезд есть несколько планет. Эти планетные системы формируются не хаотично, а часто демонстрируют определенные закономерности. Одна из таких структур известна как «горошины в стручке», где планеты схожего размера располагаются на близких орбитах с равными промежутками. Исследования показывают, что размер, масса и положение планеты часто зависят от ее соседей. Некоторые ученые даже обнаружили, что наличие небольшой каменистой планеты вблизи звезды может указывать на присутствие более крупного газового гиганта на дальней орбите. В то же время присутствие «горячего Юпитера» – массивной планеты, вращающейся очень близко к своей звезде, – похоже, нарушает эти регулярные структуры. Эти наблюдения наводят на мысль, что обнаружение одной планеты может помочь предсказать существование других, более трудных для обнаружения.
Предыдущие попытки предсказать скрытые планеты основывались на анализе наблюдаемых тенденций, таких как законы орбитального расстояния или статистические средние. Однако эти методы имеют ограничения. Во-первых, каталог известных планетных систем все еще невелик – к середине 2024 года их насчитывалось менее 5000. И даже среди них планеты земного типа обнаружены лишь примерно в двух десятках систем, что составляет всего 0,5% от всех известных систем. Поскольку землеподобные планеты малы и холодны, они не блокируют много света своей звезды и не оказывают сильного гравитационного воздействия, что делает их почти невидимыми для современных методов обнаружения. Машинное обучение требует огромных объемов данных для тренировки, что становится проблемой при столь малом количестве подтвержденных примеров. Поэтому команда из Берна обратилась к компьютерному моделированию.
Они использовали Бернскую модель формирования и эволюции планет – хорошо зарекомендовавшую себя компьютерную модель, которая имитирует процессы формирования и изменения планет в их раннем окружении. Модель учитывает многие физические процессы, участвующие в формировании планетных систем, что позволяет ученым создавать тысячи синтетических систем, в которых известны все планеты. Доктор Жанна Давуль, ныне работающая в Германском аэрокосмическом центре в Берлине, разработала алгоритм машинного обучения в рамках своей диссертации в Бернском университете. Команда обучила модель на синтетических системах, сгенерированных Бернской моделью. Эти искусственные системы спроектированы так, чтобы максимально точно соответствовать реальным по структуре и поведению.
Янн Алибер, содиректор Центра космоса и обитаемости университета, поясняет, что Бернская модель является одной из немногих в мире, которая предлагает такое богатство взаимосвязанных физических процессов и позволяет проводить подобные исследования.
После обучения модель проанализировала более 1600 наблюдаемых звездных систем, в каждой из которых уже была известна как минимум одна планета. Алгоритм проявил особый интерес к самой внутренней обнаруживаемой планете (IDP) в каждой системе. Выяснилось, что масса и орбита этой планеты дают важные подсказки о том, может ли в системе присутствовать землеподобная планета на более далекой орбите. На основе этого анализа модель выделила 44 звездные системы, которые, по ее оценке, с высокой вероятностью содержат еще не обнаруженную планету земного типа. Эти системы вращаются вокруг звезд типов G, K или M, где G – звезды, подобные нашему Солнцу, а K и M – меньшие и более холодные звезды.
Исследователи провели дополнительное, более детальное моделирование и подтвердили, что предсказанные планеты теоретически могут существовать в этих системах. Хотя это еще не доказывает реальное существование планет, это дает ценную «дорожную карту» для будущих наблюдательных миссий. Доктор Давуль сообщает, что модель идентифицировала 44 системы с высокой вероятностью наличия неоткрытых землеподобных планет, и последующее исследование подтвердило теоретическую возможность их существования.
Если предсказания модели подтвердятся реальными наблюдениями, это может кардинально изменить подход астрономов к поиску обитаемых миров. Вместо того чтобы сканировать небо вслепую, они смогут сосредоточиться на системах, отмеченных моделью машинного обучения, экономя драгоценное время и ресурсы телескопов. Такой подход может стать решающим для предстоящих миссий, таких как PLATO, и будущих концепций, вроде LIFE, целью которых является поиск и изучение малых, холодных планет. Эти миссии обладают невероятной чувствительностью, но работают медленно. Даже год наблюдений может привести лишь к нескольким перспективным открытиям. Нацеливание на наиболее вероятные системы в первую очередь делает поиск гораздо более эффективным.
Ромен Эльчингер, аспирант и соавтор исследования, который помог расширить область применения модели, подчеркивает, что эти результаты важны для научного сообщества и особенно для будущих космических миссий. До сих пор большинство подтвержденных экзопланет – это крупные объекты, расположенные близко к своим звездам, просто потому, что их легче обнаружить. Планеты земного типа часто слишком тусклы и находятся слишком далеко. Но с помощью умных инструментов, таких как эта ИИ-модель, исследователи вскоре смогут обнаружить гораздо больше планет, похожих на нашу.
Доктор Алибер добавляет, что это значительный шаг в поиске планет с условиями, благоприятными для жизни, и, в конечном счете, в поиске жизни во Вселенной.
Несмотря на свою мощность, модель не идеальна. Например, она пока не полностью воспроизводит некоторые закономерности, наблюдаемые в реальных звездных системах. Так, у многих звезд, подобных Солнцу, одновременно существуют суперземли и холодные юпитеры – гигантские планеты, вращающиеся далеко от своей звезды. Синтетические данные не всегда отражают это явление. Кроме того, в искусственных системах планеты, как правило, формируются ближе к своим звездам, чем те, что наблюдаются в реальности. Поэтому предсказания модели могут потребовать корректировки по мере улучшения данных реальных наблюдений. Тем не менее, это исследование демонстрирует ценность объединения компьютерного моделирования и машинного обучения. Вместо того чтобы гадать, где могут находиться планеты земного типа, исследователи теперь могут делать обоснованные, подкрепленные данными прогнозы. Это имеет огромное значение. Вселенная необъятна, и телескопы не могут смотреть повсюду одновременно. Но с помощью инструментов на базе ИИ мы наконец можем начать сужать список мест, которые могут оказаться еще одной Землей. Результаты исследования опубликованы в журнале Astronomy & Astrophysics.
