Redacción Ciencia.- Un equipo de astrónomos ha validado más de 100 nuevos exoplanetas, incluidos 31 recién detectados, utilizando una herramienta de inteligencia artificial aplicada a los datos del telescopio espacial TESS de la NASA.
Esta misión se encarga de observar el cielo en busca del sutil oscurecimiento de la luz estelar, fenómeno que ocurre cuando los planetas pasan por delante de sus estrellas anfitrionas.
Los detalles de la investigación se publican en la revista Monthly Notices of the Royal Astronomical Society, en un estudio firmado por investigadores de la Universidad de Warwick.
El equipo aplicó su sistema de IA, denominado Raven, a las observaciones de más de 2,2 millones de estrellas recopiladas durante los primeros cuatro años del TESS.
Nuevos hallazgos y tipos de planetas
Los científicos se centraron en encontrar planetas que orbitan cerca de sus estrellas, completando su recorrido en menos de 16 días.
“Gracias a Raven, hemos podido validar 118 nuevos planetas y más de 2.000 candidatos de alta calidad, de los cuales casi 1.000 son totalmente nuevos”, explicó Marina Lafarga Magro.
Entre los cuerpos identificados destacan los planetas de período ultracorto, que orbitan en menos de 24 horas.
También figuran planetas del llamado “desierto neptuniano”, una región donde se pensaba que estos cuerpos eran poco frecuentes.
El reto de confirmar planetas reales
El hallazgo incluye además sistemas multiplanetarios con órbitas cercanas, incluyendo pares de planetas hasta ahora desconocidos alrededor de una misma estrella.
Las misiones modernas detectan miles de posibles candidatos, pero confirmar cuáles son reales sigue siendo un desafío para la astronomía.
“El reto radica en determinar si el oscurecimiento está causado por un planeta o por otros fenómenos, como estrellas binarias en eclipse”, explicó Andreas Hadjigeorghiou.
Según el investigador, la fortaleza de Raven está en su conjunto de datos, que incluye cientos de miles de simulaciones realistas de planetas y fenómenos astrofísicos.
El sistema utiliza aprendizaje automático para identificar patrones en los datos y diferenciar señales reales de falsas detecciones.
Además, Raven gestiona todo el proceso de una sola vez, desde la detección de la señal hasta su validación estadística.
Esta capacidad representa una ventaja frente a otras herramientas, que solo analizan partes específicas del proceso, concluyó el astrónomo.