Un’intelligenza artificiale chiamata RAVEN ha setacciato i dati della missione TESS della NASA e ha confermato oltre 100 esopianeti. Di questi, 31 sono mondi completamente nuovi. Ma la parte interessante? Non parliamo di pianeti qualunque.
Il team dell’Università di Warwick ha analizzato 2,2 milioni di stelle — quella cifra che fa girare la testa — raccogliendo dati dai primi quattro anni di TESS. Il Transiting Exoplanet Survey Satellite, per chi non lo conoscesse, è il telescopio spaziale che cerca pianeti guardando quando una stella ‘sbatte le palpebre’: cali minimi di luminosità che indicano un pianeta in transito davanti alla sua stella.
Pianeti che orbitano in meno di un giorno
Tra le scoperte ci sono alcuni casi davvero estremi. Pianeti ultra-veloci che completano un’orbita in meno di 24 ore — immaginate un anno che dura quanto una giornata terrestre. Altri abitano il cosiddetto ‘deserto nettuniano’, una zona orbitale dove, secondo le teorie attuali, non dovrebbero esserci pianeti. Eppure eccoli lì.
‘Usando la nostra pipeline RAVEN appena sviluppata, siamo riusciti a validare 118 nuovi pianeti e oltre 2.000 candidati di alta qualità, quasi 1.000 completamente nuovi’ spiega la dottoressa Marina Lafarga Magro, prima autrice dello studio. ‘Questo rappresenta uno dei campioni meglio caratterizzati di pianeti vicini e ci aiuterà a identificare i sistemi più promettenti per studi futuri.’
Come funziona RAVEN
Il problema con le missioni di caccia ai pianeti è che identificano migliaia di segnali potenziali. Ma quali sono veri? Stelle binarie in eclissi possono facilmente imitare un pianeta. Rumore strumentale pure.
RAVEN — che sta per RAnking and Validation of ExoplaNets — affronta il problema dall’inizio alla fine. Non si limita a una fase del processo come altri strumenti. Il sistema analizza il segnale, lo valuta con machine learning e lo convalida statisticamente. Tutto in un colpo solo.
‘La sua forza deriva dal nostro dataset accuratamente creato di centinaia di migliaia di pianeti simulati in modo realistico e altri eventi astrofisici che possono mascherarsi da pianeti’ dice il dottor Andreas Hadjigeorghiou, che ha guidato lo sviluppo della pipeline. ‘Abbiamo addestrato modelli di machine learning a identificare pattern nei dati che possono dirci il tipo di evento rilevato, qualcosa in cui i modelli AI eccellono.’
Il dataset di addestramento è la chiave. Simulazioni realistiche di centinaia di migliaia di pianeti e falsi positivi. L’AI impara a distinguere un pianeta vero da una stella binaria fastidiosa o da un artefatto strumentale.
Analisi end-to-end
Il dottor David Armstrong, professore associato a Warwick, aggiunge: ‘RAVEN ci permette di analizzare enormi dataset in modo coerente e obiettivo. Poiché la pipeline è ben testata e accuratamente validata, questa non è solo una lista di pianeti potenziali — è anche abbastanza affidabile da usare come campione per mappare la prevalenza di tipi distinti di pianeti attorno a stelle simili al Sole.’
Che tradotto significa: non stiamo solo trovando pianeti. Stiamo capendo quanto sono comuni.
Quanto sono rari davvero i pianeti del deserto nettuniano?
In uno studio compagno pubblicato sempre su MNRAS, il team ha misurato quanto spesso i pianeti vicini orbitano attorno a stelle simili al Sole. I risultati? Circa il 9-10% delle stelle di tipo solare ospita un pianeta vicino. Questo conferma i dati della missione Kepler — il telescopio spaziale predecessore di TESS — ma con incertezze ridotte fino a un fattore di dieci.
Dieci volte più precisi. Non male.
E per la prima volta hanno misurato direttamente quanto sono rari i pianeti del deserto nettuniano: appaiono attorno allo 0,08% delle stelle simili al Sole. Zero virgola zero otto percento.
‘Per la prima volta, possiamo dare un numero preciso a quanto vuoto sia questo deserto’ dice il dottor Kaiming Cui, primo autore dello studio sulla popolazione. ‘Queste misurazioni mostrano che TESS può ora eguagliare, e in alcuni casi superare, Kepler per lo studio delle popolazioni planetarie.’
Cosa rende RAVEN diverso
RAVEN non è solo un altro algoritmo di ricerca. È un sistema automatizzato progettato per affrontare una delle sfide più grandi dell’astronomia moderna: trasformare volumi enormi di dati telescopici in scoperte affidabili.
Scansiona dati di milioni di stelle per trovare i cali minuscoli di luminosità causati dai pianeti in transito. Poi usa intelligenza artificiale addestrata su simulazioni realistiche per filtrare segnali falsi come stelle binarie o rumore strumentale. Infine conferma statisticamente i candidati più forti.
Ma c’è di più. RAVEN valuta anche quali tipi di pianeti sono più facili o più difficili da rilevare, aiutando i ricercatori a correggere i bias nascosti. Questo significa che non solo accelera la scoperta di nuovi mondi, ma produce anche dataset più puliti e affidabili che possono essere usati per rispondere a domande più grandi su quanto siano comuni diversi tipi di pianeti nella galassia.
Il team ha rilasciato cataloghi interattivi e strumenti così altri scienziati possono esplorare i risultati e identificare obiettivi promettenti per osservazioni di follow-up con telescopi terrestri e missioni future come PLATO dell’ESA.
Insieme, questi studi evidenziano come i progressi nell’intelligenza artificiale stiano trasformando l’astronomia. Combinando dataset massicci con machine learning, i ricercatori possono scoprire nuovi pianeti migliorando al contempo gli strumenti stessi attraverso dati reali e complessi. Non è solo una lista di pianeti. È un nuovo modo di fare scienza.
