Yaşanabilir dünyaların aranmasının hızlandırılması

Modern astronomi, vazgeçilmez araçlar haline gelen AI ve makine öğrenimi (ML) olmadan zorlanırdı. Modern teleskopların ürettiği muazzam miktardaki verileri yönetme ve bunlarla çalışma yeteneğine yalnızca onlar sahiptir. ML, insanların bulmasının çok daha uzun süreceği belirli kalıpları arayarak büyük veri kümelerini eleyebilir.

Dünya benzeri dış gezegenlerde biyolojik imzaların araştırılması çağdaş astronominin kritik bir parçasıdır ve makine öğrenimi bunda büyük bir rol oynayabilir.

Ötegezegenler çok uzak olduğundan, gökbilimciler iletim spektroskopisine izin verenlere yakından dikkat ederler. Yıldız ışığı bir gezegenin atmosferinden geçtiğinde, spektroskopi ışığı farklı dalga boylarına bölebilir. Gökbilimciler daha sonra ışığı belirli moleküllerin belirgin işaretleri açısından incelerler. Ancak, ötegezegen atmosferlerindeki kimyasal biyolojik imzalar aldatıcıdır çünkü doğal abiyojenik süreçler aynı imzaların bazılarını üretebilir.

Yöntem güçlü olsa da bazı zorluklarla karşı karşıyadır. Yıldız lekeleri ve parlamalar gibi yıldız aktivitesi sinyali kirletebilir ve atmosferden gelen ışık yıldızın ışığına kıyasla çok zayıf olabilir. Eğer ötegezegenin atmosferinde bulutlar veya pus varsa, bu spektroskopik verilerdeki moleküler emilim çizgilerinin tespit edilmesini zorlaştırabilir.

Rayleigh saçılması zorluğa eklenir ve aynı spektroskopik sinyalin birden fazla farklı yorumu da olabilir. Sinyalde bu tür “gürültü” ne kadar fazlaysa, sinyal-gürültü oranı (SNR) o kadar kötü olur. Gürültülü veriler—düşük SNR’li veriler—belirgin bir sorundur.

Hala farklı türde ötegezegenler ve gezegen atmosferleri keşfediyoruz ve modellerimiz ve analiz tekniklerimiz henüz tamamlanmadı. Düşük SNR sorunuyla bir araya geldiğinde, bu ikili büyük bir engel oluşturuyor.

Ancak yeni bir araştırmaya göre makine öğrenimi yardımcı olabilir. “Düşük sinyal-gürültü oranı iletim spektrumları kullanılarak dünya benzeri dış gezegenlerdeki potansiyel biyolojik imzaların makine destekli sınıflandırılması” bir kağıt gönderildi arXiv incelenmekte olan ön baskı sunucusu Kraliyet Astronomi Derneği’nin Aylık DuyurularıBaş yazar, Kolombiya’nın Medellin kentindeki Antioquia Üniversitesi’ndeki Hesaplamalı Fizik ve Astrofizik Grubu’ndan David S. Duque-Castaño’dur.

JWST en güçlü transmisyon spektroskopisi aracımızdır ve etkileyici sonuçlar vermiştir. Ancak bir sorun var: gözlem süresi. Bazı gözlem çabaları muazzam miktarda zaman alır. Ozon gibi şeyleri tespit etmek için aşırı sayıda geçiş gerekebilir. Sınırsız miktarda gözlem süremiz olsaydı, bu kadar önemli olmazdı.

Bir çalışma, TRAPPIST-1e durumunda istatistiksel olarak anlamlı tespitler elde etmek için 200’e kadar geçişin gerekebileceğini gösterdi. Arama metan ve su buharıyla sınırlandırılırsa geçiş sayısı daha makul hale gelir.

Yazarlar, “Çalışmalar, makul sayıda geçiş kullanılarak, tipik olarak küresel bir biyosferle ilişkilendirilen bu atmosferik türlerin varlığının geri alınabileceğini göstermiştir,” diye yazıyor. Ne yazık ki, metan ozon kadar güçlü bir biyoimza değildir.

Araştırmacılar, bu potansiyel biyobelirteçlerden bazılarını tespit etmek için gereken zaman göz önüne alındığında, sinyal-gürültü oranı (SNR) araştırmaları yapmak için JWST’yi kullanmanın daha iyi olabileceğini söylüyorlar. Yazarlar, yapım veya planlama aşamasında olan teleskopların adlarını anarak, “Bu, istatistiksel olarak anlamlı geri kazanımlara izin vermese de, en azından mevcut ve gelecekteki daha güçlü teleskoplarla (örneğin, ELT, LUVOIR, HabEx, Roman, ARIEL) ilginç hedeflerin gelecekteki takip gözlemlerinin planlanmasını mümkün kılacaktır.” diye yazıyorlar.

Araştırmacılar bu soruna yardımcı olmak için bir makine öğrenme aracı geliştirdiler. Yapay zekanın gücünden yararlanarak yaşanabilir dünyalar arayışını hızlandırabileceğini söylüyorlar. “Bu çalışmada, düşük Sinyal-Gürültü Oranına sahip iletim spektrumlarını biyolojik imzalar içerme potansiyellerine göre sınıflandırmayı amaçlayan bir makine öğrenme genel metodolojisi geliştirdik ve test ettik,” diye yazıyorlar.

Gezegen dışı atmosfer spektroskopisi verilerimizin çoğu gürültü olduğundan, ML aracı bu verileri işleyecek, ne kadar gürültülü olduğunu anlayacak ve metan, ozon ve/veya su içerebilecek atmosferleri sınıflandıracak veya takip gözlemleri için yeterince ilginç hale getirecek şekilde tasarlanmıştır.

Ekip, iyi bilinen TRAPPIST-1 e gezegenine dayalı 1 milyon sentetik atmosfer spektrumu üretti ve ardından ML modellerini bunlar üzerinde eğitti. TRAPPIST-1e, Dünya ile aynı boyuttadır ve yıldızının yaşanabilir bölgesinde kayalık bir gezegendir. Makalede, “TRAPPIST-1 sistemi, olağanüstü özellikleri nedeniyle son yıllarda özellikle gezegen bilimleri ve astrobiyoloji alanında önemli bilimsel ilgi görmüştür” ifadesi yer almaktadır.

TRAPPIST-1 yıldızı, keşfettiğimiz tüm sistemler arasında en fazla kayalık gezegene ev sahipliği yapmasıyla bilinir. Araştırmacılar için, ML modellerini eğitmek ve test etmek için ideal bir adaydır çünkü gökbilimciler makul sürelerde olumlu SNR okumaları elde edebilirler. TRAPPIST-1e gezegeninin Dünya’nınki gibi kompakt bir atmosfere sahip olması muhtemeldir. Ortaya çıkan modeller başarılıydı ve uygun SNR seviyelerine sahip iletim spektrumlarını doğru bir şekilde tanımladı.

Araştırmacılar ayrıca modellerini modern Dünya’nın gerçekçi sentetik atmosfer spektrumlarında test ettiler. Sistemleri, Proterozoik Dünya’nın oranlarına benzer oranlarda metan ve/veya ozon içeren sentetik atmosferleri başarıyla tanımladı. Proterozoik sırasında atmosfer, Büyük Oksijenlenme Olayı (GOE) nedeniyle temel değişikliklere uğradı.

GOE her şeyi değiştirdi. Ozon tabakasının oluşmasına izin verdi, karmaşık yaşamın gelişmesi için koşullar yarattı ve hatta bugün madencilik yaptığımız geniş demir cevheri yataklarının yaratılmasına yol açtı. Diğer dış gezegenler fotosentetik yaşam geliştirmiş olsaydı, atmosferleri Proterozoik Dünya’nınkine benzer olurdu, bu yüzden biyolojik yaşam için önemli bir belirteçtir. (Karanlık oksijenin yakın zamanda keşfedilmesi, dış gezegen atmosferlerinde bir biyobelirteç olarak oksijen anlayışımız için ciddi sonuçlar doğurdu.)

Yazarlar makalelerinde oksijen veya ozonun tespitini, gezegen dışı spektroskopi imzalarının “Taç Mücevheri” olarak tanımlıyorlar. Ancak abiyotik kaynaklar da var ve oksijen veya ozonun biyotik olup olmadığı imzada başka ne olduğuna bağlı olabilir. “Biyotik ve abiyotik O₂“Belirli spektral parmak izlerine bakılabilir” diye yazıyorlar.

Modellerinin performansını değerlendirebilmek için, hangi dış gezegen atmosferlerinin doğru bir şekilde tanımlandığını (Doğru) ve hangi dış gezegen atmosferlerinin yanlış bir şekilde tanımlandığını (Yanlış) bilmekten daha fazlasını bilmeleri gerekiyor.

Sonuçların ayrıca doğrulukla ilgili olan Gerçek Pozitifler (TP) veya Gerçek Negatifler (TN) veya hatalar olan Yanlış Pozitifler (FP) veya Yanlış Negatifler (FN) olarak kategorize edilmesi gerekir. Verilerini düzenlemek için Karmaşa Matrisi adını verdikleri bir sınıflandırma sistemi oluşturdular.

Yazarlar, “Şemada, takip gözlemlerini veya derinlemesine analizi hak eden gezegenleri ayırt etmek için ilginç kategorisini tanıtıyoruz,” diye açıklıyor. “Bu çalışmanın odak noktasının bu olduğunu tekrar hatırlatmalıyız: ML kullanarak biyolojik imzaları tespit etmeyi değil, ilginç olan veya olmayan gezegenleri etiketlemeyi hedefliyoruz.”

Modellerden biri, yalnızca tek bir geçişten sonra Proterozoik Dünya spektrumlarındaki olası biyoimzaları belirlemede başarılı oldu. Testlerine dayanarak, JWST’nin “TRAPPIST-1 e’ye benzer veya daha küçük mesafelerde bulunan M-cüceleri etrafında JWST/NIRSpec PRISM ile gözlemlenen çoğu “yerleşimli karasal gezegeni” başarıyla tespit edeceğini açıklıyorlar. Eğer varsa, yani.

Bu sonuçlar JWST’nin gelecekteki çabalarını iyileştirebilir. Araştırmacılar, “burada sunulanlara benzer makine destekli stratejilerin, JWST kaynaklarının biyolojik imza araması için kullanımını önemli ölçüde optimize edebileceğini” yazıyor.

Süreci hızlandırabilir ve takip gözlemlerinin umut vadeden adayları keşfetme şansını en üst düzeye çıkarabilirler. Teleskop, planlanan beş buçuk yıllık birincil görevinin iki yıl yedi ayını geride bıraktı. (Ancak teleskop toplamda 20 yıla kadar dayanabilir.) Uzay teleskobunun değerli gözlem süresini optimize edebilecek her şey bir kazançtır.

Sonuç olarak, çalışma zamandan ve kaynaklardan tasarruf sağlayabilen bir makine öğrenme modeli sunuyor. Potansiyel olarak yaşanabilir dış gezegenlerin atmosferik spektrumlarını hızla tarıyor. Hangilerinin biyobelirteç içerdiğini belirlemese de, atmosfer türüne bağlı olarak yalnızca 1 ila 5 geçişten sonra takip için en iyi adayları belirleyebiliyor. Bazı türler daha fazla geçiş gerektirebilir, ancak model yine de zamandan tasarruf sağlıyor.

“Bir gezegeni ilginç olarak tanımlamak, JWST gibi değerli kaynakların gözlem zamanının tahsisini daha verimli hale getirecek, bu da modern astronomide önemli bir hedeftir,” diye yazıyorlar.