Naukowcy osiągnęli znaczny postęp w zrozumieniu egzoplaneta atmosfery poprzez wykorzystanie sieci neuronowych opartych na fizyce (PINN), które pozwalają na bardziej precyzyjne modelowanie efektów rozpraszania światła, zwłaszcza z chmur.
To przełomowe odkrycie, będące efektem współpracy kilku prestiżowych instytucji, wykorzystuje sztuczną inteligencję do usprawnienia analizy danych widmowych planet pozasłonecznych, szczególnie korzystając z nowych danych z teleskopu Kosmiczny Teleskop Jamesa Webba.
Przełom w analizie atmosfery egzoplanet
Naukowcy z LMU, klastra doskonałości ORIGINS, Instytutu Fizyki Pozaziemskiej Maxa Plancka (MPE) i Laboratorium Nauki Danych ORIGINS (ODSL) osiągnęli znaczący przełom w analizie atmosfer egzoplanet. Wykorzystując sieci neuronowe oparte na fizyce (PINN), udoskonalili modelowanie złożonego rozpraszania światła w tych atmosferach, osiągając większą precyzję niż kiedykolwiek wcześniej. To innowacyjne podejście oferuje nowy wgląd w rolę chmur i może radykalnie poszerzyć naszą wiedzę o odległych światach.
Kiedy odległe egzoplanety przechodzą przed swoją gwiazdą, blokują niewielką część światła gwiazd, podczas gdy jeszcze mniejsza część przenika przez atmosferę planety. Ta interakcja prowadzi do zmian w widmie światła, które odzwierciedlają właściwości atmosfery, takie jak skład chemiczny, temperatura i zachmurzenie.
Aby jednak móc analizować zmierzone widma, naukowcy potrzebują modeli, które są w stanie obliczyć miliony widm syntetycznych w krótkim czasie. Dopiero późniejsze porównanie obliczonych widm z zmierzonymi pozwala uzyskać informację o składzie atmosfery obserwowanych egzoplanet. Co więcej, bardzo szczegółowe nowe obserwacje pochodzące z Kosmicznego Teleskopu Jamesa Webba (JWST) wymagają równie szczegółowych i złożonych modeli atmosfery.
Ulepszone modelowanie za pomocą sieci neuronowych opartych na fizyce
Kluczowym aspektem badań egzoplanet jest rozpraszanie światła w atmosferze, szczególnie w chmurach. Poprzednie modele nie były w stanie w zadowalający sposób uchwycić tego rozproszenia, co doprowadziło do niedokładności analizy widmowej. Sieci neuronowe oparte na fizyce mają tutaj zdecydowaną przewagę, ponieważ są w stanie skutecznie rozwiązywać złożone równania. W właśnie opublikowanym badaniu naukowcy przeszkolili dwie takie sieci. Pierwszy model, opracowany bez uwzględnienia rozpraszania światła, zrobił wrażenie dokładność z błędami względnymi przeważnie poniżej jednego procenta. Tymczasem drugi model uwzględniał przybliżenia tak zwanego rozpraszania Rayleigha – tego samego efektu, który sprawia, że niebo na Ziemi wydaje się niebieskie. Chociaż te przybliżenia wymagają dalszego udoskonalenia, sieci neuronowej udało się rozwiązać złożone równanie, co stanowi ważny postęp.
Zalety współpracy interdyscyplinarnej
Te nowe odkrycia były możliwe dzięki wyjątkowej interdyscyplinarnej współpracy pomiędzy fizykami z LMU Monachium, klastrem doskonałości ORIGINS, Instytutem Fizyki Pozaziemskiej Maxa Plancka (MPE) i laboratorium ORIGINS Data Science Lab (ODSL), które specjalizuje się w opracowywaniu nowych Metody oparte na sztucznej inteligencji w fizyce.
„Ta synergia nie tylko przyspiesza badania egzoplanet, ale także otwiera nowe horyzonty dla rozwoju metod opartych na sztucznej inteligencji w fizyce” – wyjaśnia główny autor badania David Dahlbüdding z LMU. „Chcemy w przyszłości jeszcze bardziej rozszerzyć naszą interdyscyplinarną współpracę, aby z większą precyzją symulować rozpraszanie światła od chmur i w ten sposób w pełni wykorzystać potencjał sieci neuronowych”.
Odniesienie: „Przybliżenie rozpraszania Rayleigha w atmosferach egzoplanetarnych przy użyciu sieci neuronowych opartych na fizyce” autorstwa Davida Dahlbüddinga, Karana Molaverdikhaniego, Barbary Ercolano i Tommaso Grassi, 2 sierpnia 2024 r., Miesięczne powiadomienia Królewskiego Towarzystwa Astronomicznego.
DOI: 10.1093/mnras/stae1872
