Investigadores de LMU, ORIGINS Excellence Cluster, el Instituto Max Planck de Física Extraterrestre (MPE) y el ORIGINS Data Science Lab (ODSL) han logrado un avance significativo en el análisis de entornos de exoplanetas. Utilizando redes neuronales basadas en la física (PINN), han podido modelar la compleja propagación de la luz en las atmósferas de exoplanetas con mayor precisión que nunca. Este método abre nuevas oportunidades para el análisis del entorno de los exoplanetas, en particular en lo que respecta a la influencia de las nubes, y podría mejorar significativamente nuestra comprensión de estos mundos distantes.
Cuando los planetas distantes pasan frente a su estrella, bloquean una pequeña fracción de la luz de la estrella, mientras que una fracción aún más pequeña penetra la atmósfera planetaria. Esta interacción provoca variaciones en el espectro de luz, que refleja propiedades atmosféricas como la composición química, la temperatura y la nubosidad. Sin embargo, para poder analizar estos espectros medidos, los científicos necesitan modelos capaces de calcular millones de espectros simulados en un corto período de tiempo. Sólo comparando posteriormente los espectros calculados con los espectros medidos obtenemos información sobre la composición atmosférica de los exoplanetas observados. Es más, las nuevas observaciones altamente detalladas provenientes del Telescopio Espacial James Webb (JWST) requieren modelos atmosféricos igualmente detallados y complejos.
Solución más rápida de ecuaciones complejas gracias a la IA
Un aspecto importante de la investigación de exoplanetas es la dispersión de la luz en la atmósfera, especialmente la dispersión de las nubes. Los modelos anteriores no lograron capturar satisfactoriamente esta dispersión, lo que provocó errores en el análisis espectral. Las redes neuronales conscientes de la física ofrecen aquí una ventaja decisiva, ya que son capaces de resolver ecuaciones complejas de manera eficiente. En un estudio recién publicado, los investigadores entrenaron dos de esas redes. El primer modelo, desarrollado sin tener en cuenta la dispersión de la luz, demostró una precisión impresionante con errores relativos en su mayoría inferiores al uno por ciento. Mientras tanto, otro modelo incorporó una aproximación de la llamada dispersión de Rayleigh, el mismo efecto que hace que el cielo parezca azul en la Tierra. Aunque estas estimaciones necesitan mejoras adicionales, la red neuronal pudo resolver la compleja ecuación, lo que representa un avance significativo.
Colaboración interdisciplinaria
Estos nuevos descubrimientos han sido posibles gracias a una colaboración interdisciplinaria única entre físicos de LMU Munich, el ORIGINS Excellence Cluster, el Instituto Max Planck de Física Extraterrestre (MPE) y el ORIGINS Data Science Lab (ODSL), que está desarrollando nueva ciencia. Experto. Métodos basados en IA en física. “Esta convergencia no sólo hace avanzar la investigación de exoplanetas, sino que también abre nuevos horizontes para el desarrollo de métodos en física basados en la IA”, explica el autor principal del estudio, David Dahlbudding, de LMU. “En el futuro nos gustaría ampliar aún más nuestra colaboración interdisciplinaria para modelar con mayor precisión la dispersión de las nubes lejos de la luz y así aprovechar al máximo el potencial de las redes neuronales”.
