El repte de l’«agulla en un paller» còsmic.
L’espai exterior és immens, però la nostra capacitat per observar-lo està limitada pel «soroll». Durant anys, missions com el satèl·lit TESS de la NASA han escanejat milions d’estrelles a la recerca d’exoplanetes —mons que orbiten sols llunyans—. Tanmateix, detectar un planeta és com intentar veure el parpelleig d’una cuca de llum al costat d’un potent focus d’estadi a quilòmetres de distància: la llum de l’estrella i altres senyals astrofísiques solen ocultar les empremtes més subtils.
Fins ara, els mètodes tradicionals deixaven molts candidats sense confirmar, en una franja on distingir un planeta real d’un fals positiu continuava sent difícil. La solució més recent ha arribat de la mà d’una poderosa combinació: el satèl·lit TESS, com a eina de captura massiva, i RAVEN, un pipeline d’intel·ligència artificial desenvolupat per la Universitat de Warwick. Aquesta sinergia ja ha permès validar 118 exoplanetes i assenyalar més de 2.000 candidats d’alta qualitat —31 dels quals detectats per primera vegada en aquest estudi—, i s’afegeix a altres iniciatives que utilitzen IA per extreure descobriments dels arxius de la NASA.
TESS: el vigilant espacial i l’art de detectar ombres
La primera peça d’aquest trencaclosques és el Transiting Exoplanet Survey Satellite (TESS), una missió espacial de la NASA llançada el 18 d’abril de 2018. Aquest telescopi espacial utilitza el mètode de trànsit: busca disminucions rítmiques en la brillantor d’una estrella, cosa que indica que un planeta ha passat per davant seu. Per fer-ho, no orbita el Sol com un observatori llunyà, sinó que gira al voltant de la Terra en una òrbita alta i molt el·líptica, dissenyada per proporcionar-li una visió àmplia i estable del cel.
Detall del trajecte, òrbites inicials i òrbita definitiva del TESS (Adaptació d’un gràfic de la NASA)
L’òrbita del TESS és un dels seus trets més singulars: triga 13,7 dies a completar una volta i es troba en una ressonància 2:1 amb la Lluna, de manera que el satèl·lit fa dues voltes a la Terra per cada òrbita lunar. En el seu punt més proper se situa a uns 107.800 quilòmetres de la Terra, i en el més llunyà arriba a uns 373.400 quilòmetres, gairebé la distància de la Lluna; aquesta trajectòria, aconseguida després d’una assistència gravitatòria lunar, redueix la radiació, estabilitza la temperatura i facilita llargues observacions contínues. Gràcies a aquesta arquitectura i a les seves càmeres de gran camp, TESS s’ha convertit en un generador de dades colossal: només durant els primers quatre anys, el pipeline RAVEN va analitzar més de 2,2 milions d’estrelles, tot i que distingir planetes reals de variabilitat estel·lar, binàries eclipsants i soroll instrumental continuava exigint una enorme feina de validació.
RAVEN: el «cervell» que classifica l’Univers
Aquí és on entra la IA: RAVEN (RAnking and Validation of ExoplaNets). RAVEN és un sistema d’aprenentatge automàtic que actua com un filtre intel·ligent d’alta precisió. A diferència de molts mètodes previs, empra un enfocament bayesià i models entrenats per reconèixer vuit escenaris diferents de falsos positius, és a dir, senyals que poden semblar planetes sense ser-ho.
RAVEN no només busca el senyal; l’analitza i li assigna una probabilitat de ser real. La seva capacitat més útil rau en el fet que pot processar milers de candidats i comparar-los amb escenaris habituals d’error, inclosa la variabilitat estel·lar i el soroll instrumental. Això permet als astrònoms prioritzar millor quins senyals mereixen més estudi, especialment entre candidats d’òrbites ràpides, i optimitzar també l’ús de telescopis terrestres, que així poden concentrar-se en els objectius amb més probabilitats de ser planetes reals.
El rescat de 100 mons nous
Com ja hem comentat abans, la combinació de TESS i RAVEN ha demostrat ser especialment eficaç en la cerca d’exoplanetes. Aquesta efectivitat va quedar reflectida en un estudi recent publicat a la revista Monthly Notices of the Royal Astronomical Society. L’equip de Warwick va aplicar RAVEN a les dades dels primers quatre anys de la missió TESS.
Imatge del satèl·lit TESS. NASA – http://tess.gsfc.nasa.gov/documents/TESS-Litho.pdf, Domini públic, https://commons.wikimedia.org/w/index.php?curid=34177861
La IA va analitzar milions de corbes de llum i va aconseguir validar més de 100 exoplanetes, dels quals 31 van ser detectats per primera vegada en aquest estudi. El sistema va ser capaç d’identificar i validar mons amb períodes orbitals de menys de 16 dies, afrontant també el repte de la variabilitat estel·lar i altres falsos positius que solen dificultar la detecció d’aquests trànsits. Aquest procés de validació automàtica ha demostrat ser molt eficaç per prioritzar candidats a gran escala, accelerant de manera notable la feina de revisió i seguiment astronòmic.
El «desert neptunià» i el context global
Aquest avenç permet explorar el «desert neptunià», una regió propera a les estrelles on els planetes de mida mitjana són extremadament rars perquè la intensa radiació estel·lar acostuma a evaporar-ne les atmosferes, convertint-los en nuclis rocosos, o perquè els seus processos de formació dificulten que assoleixin òrbites tan curtes. Tot i que aquest fenomen pot produir-se en diversos sistemes, s’estudia principalment en estrelles similars al Sol, on la tecnologia d’IA RAVEN ha permès confirmar amb una precisió inèdita que només el 0,08% d’aquestes estrelles allotgen un món en aquesta zona.
Més enllà de la troballa científica, aquest desenvolupament situa la Universitat de Warwick a l’avantguarda de l’astrofísica europea, establint les bases per a missions de l’Agència Espacial Europea com PLATO, que cercarà exoplanetes terrestres en zones habitables. La necessitat d’aquests algoritmes és crítica: amb els telescopis de pròxima generació generant terabytes de dades cada nit, la intel·ligència artificial serà l’única eina capaç de processar una immensitat d’informació tan gran.
Un nou renaixement astronòmic
La sinergia entre TESS i RAVEN demostra que la IA no ve a substituir l’astrònom, sinó a ampliar-ne les capacitats per analitzar volums de dades que serien molt difícils de revisar manualment. En millorar la identificació i validació de senyals febles, aquesta tecnologia té un impacte directe en la nostra comprensió de l’Univers i en la recerca de nous mons.
Ens trobem davant d’un canvi important: l’exploració espacial ja no té lloc només als observatoris, sinó també als sistemes informàtics on els algoritmes ajuden a interpretar la llum. La reflexió final és esperançadora: si aquest estudi ha permès detectar per primera vegada 31 mons en dades ja disponibles, quins altres secrets esperen en el silenci de l’arxiu digital?
La invitació és a continuar apostant per aquesta unió entre ciència i computació per comprendre millor el mapa de les estrelles.
