UNO FA PARTE D’UN SISTEMA RECORD DA OTTO MONDI

Pianeti intrappolati nella rete neurale di Google

Scoperti da un algoritmo di machine learning setacciando i dati della sonda spaziale Kepler della Nasa. Si trovano nei sistemi planetari delle stelle Kepler-90 e Kepler-80. Nicola Napolitano (Inaf): «L’intelligenza artificiale, e in particolare il deep learning, sta acquistando un ruolo primario in diversi settori dell’astronomia»

     14/12/2017

Rappresentazione artistica degli otto pianeti del sistema della stella (si intravede a sinistra) Kepler-90. L’ultimo scoperto, Kepler-90i, è il terzo più vicino alla stella. Crediti: Nasa/Wendy Stenzel

Alle 19, puntuale come sempre, l’ormai abituale annuncio della Nasa è arrivato come promesso. Ci sono notizie buone e notizie forse meno buone – per queste ultime, dipende dai punti di vista. Partiamo dunque da quelle buone. Grazie all’instancabile telescopio spaziale Kepler sono stati scoperti due nuovi pianeti extrasolari. Pianeti piccoli, dunque quanto a dimensioni simili alla Terra, e probabilmente rocciosi. Ma sono le notizie “cattive” quelle più gustose. La prima è che uno dei nuovi pianeti porta il totale di quelli attorno alla stella che lo ospita a quota otto. Otto come quelli attorno al Sole. In altre parole, da oggi sappiamo con certezza – il sospetto già c’era… – che il nostro Sistema solare non detiene più da solo il record del numero di mondi. È un primato che ci tocca condividere con Kepler-90, questo il nome del “sole” attorno al quale è stato visto orbitare il nuovo arrivato, Kepler-90i, insieme ai sette pianeti di cui già si conosceva l’esistenza. C’è però di peggio: oltre al primato, rischiamo pure di perdere il lavoro. O meglio, questo è il rischio che corrono gli astronomi. Già, perché a distillare i due nuovi arrivati dall’immenso archivio di Kepler non è stato un tenace e cocciuto postdoc: è stata una rete neurale artificiale. Un algoritmo di machine learning.

Magari è presto per allarmarsi: almeno l’astro-algoritmo non s’è ancora fatto furbo a sufficienza da firmare l’articolo scientifico. Però leggere che l’affiliazione del primo autore è “Google Brain, Mountain View, California” un po’ dà da pensare. Intendiamoci, il postdoc non manca: uno dei due autori dello studio è Andrew Vanderburg, astronomo in carne e ossa della Nasa e dell’Università del Texas a Austin. Ma la sua firma è la seconda. La prima è quella di Christopher Shallue, ingegnere informatico di Google.

È lui, Shallue, che ha avuto l’idea di fare ricorso a una rete neurale, attratto dai pianeti extrasolari dopo aver scoperto che anche l’astronomia, mano a mano che progrediscono le tecniche d’acquisizione, sta venendo rapidamente sommersa dai dati. «Così nel tempo libero ho iniziato a googlare “trovare pianeti extrasolari con grandi set di dati”. E sono venuto conoscenza», racconta sornione, «della missione Kepler e dell’enorme set di dati di cui dispone. Se c’è un ambito nel quale l’apprendimento automatico dà il meglio di sé, è dove ci sono così tanti dati che gli esseri umani non riescono a setacciarli da soli».

Analizzati fino a oggi con test automatici standard, se non addirittura direttamente a occhio, di dati in effetti ce ne sono davvero tanti, nell’archivio di Kepler. In quattro anni ha acquisito segnali relativi a circa 35mila potenziali transiti planetari. Per consentire alla rete neurale, sviluppata da Google, di farsi le ossa, Shallue e Vanderburg le hanno dato in pasto 15mila segnali – già controllati e validati – presi dal catalogo di esopianeti della sonda Nasa. E le hanno chiesto d’individuare quali erano veri pianeti e quali, invece, falsi positivi. Vediamo un po’ come se la cava, si devono essere detti… Ebbene, ci ha azzeccato il 96 per cento delle volte.

Ritenuta la rete neurale ormai sufficientemente addestrata per affrontare il lavoro vero, i due ricercatori le hanno affidato l’analisi dei segnali più ambigui relativi a 670 sistemi planetari, ritenendo che il posto migliore per cercare un pianeta fosse dove già ne erano stati trovati altri in precedenza. Risultato? «Abbiamo ottenuto un sacco di falsi positivi, ma anche molti pianeti potenzialmente reali. È un po’ come setacciare le rocce per trovare pietre preziose», spiega Vanderburg. «Se usi un setaccio più fine, raccoglierai altre rocce, ma potresti anche raccogliere nuove pietre preziose».

Il sistema di Kepler-90 (a sx) e il sistema solare interno (a dx) a confronto. Crediti: Wikimedia Commons

Vediamole, dunque, le due “pietre preziose” trovate con il setaccio made in Google. Uno, Kepler-90i, è appunto l’ottavo pianeta del sistema di Kepler-i90, una stella simile a Sole a 2545 anni luce da noi. Ottavo solo in ordine di scoperta, perché come distanza dalla sua stella è il terzo pianeta (clicca sull’immagine qui a fianco per ingrandirla). È la “Terra” di quel sistema, insomma, ma dalle caratteristiche molto più simili a Mercurio: vicinissimo al suo sole, compie una rivoluzione ogni 14.4 giorni e ha una temperatura in superficie di quasi 430 gradi. L’altro pianeta rimasto intrappolato nella rete neurale, anch’esso grande più o meno come la Terra, è Kepler-80g: il sesto membro della famiglia di Kepler-80, i cui pianeti danno luogo a una catena di risonanze orbitali, come quelli del celebre Trappist-1.

Tornando al metodo usato, vale la pena osservare che questo non è certo il primo esempio di scoperta astronomica “firmata” da un algoritmo. Per esempio, nemmeno due mesi fa, qui su Media Inaf, abbiamo dato conto d’una rete neurale convoluzionale usata per individuare lenti gravitazionali.

«L’intelligenza artificiale, e in particolare il deep learning, sta acquistando un ruolo primario in diversi settori dell’astronomia, a causa della complessità e dimensione dei dati che acquisiremo con le campagne osservative di prossima generazione, come quella del Large Synoptic Survey Telescope (Lsst), in cui Inaf ha recentemente preso parte e che entrerà in funzione nel 2021», conferma Nicola Napolitano, astrofisico all’Inaf-Osservatorio astronomico di Capodimonte, al quale ci siamo rivolti per un commento. «Si pensi che una delle nostre ricerche più difficili riguarda l’individuazione di deboli archi gravitazionali intorno a galassie ellittiche, e di queste ne troviamo una ogni circa 50mila galassie osservate. Sarebbe impensabile effettuare questa ricerca a occhio in survey di milioni se non miliardi di galassie, come faremo con Lsst, mentre stiamo già sviluppando tecniche che trovano questi archi in maniera automatica in immagini astronomiche».

«Per prepararsi a questi appuntamenti», prosegue Napolitano, «l’Inaf, con l’Osservatorio astronomico di Capodimonte, ha formato con altri otto istituti e università europee (di Belgio Germania, Regno Unito, Olanda e Spagna) un Marie Curie Innovative Training Network denominato Sundial, finanziato dalla Comunità europea proprio con lo scopo di far incontrare astronomi e computer scientists per lo sviluppo di tecniche innovative, da utilizzare sia per l’astronomia che per altre applicazioni utili alla società».

Per saperne di più:

Guarda il servizio video di MediaInafTv: