Ett team från University of Bern och National Center of Competence in Research (NCCR) PlanetS har utvecklat en maskininlärningsmodell som förutspår potentiella planetsystem med jordliknande planeter. Modellen kan avsevärt påskynda och därmed revolutionera den framtida sökningen efter beboeliga planeter i universum.
Sökandet efter jordliknande exoplaneter – planeter som kretsar kring andra stjärnor än vår sol – är ett centralt ämne i dagens planetforskning, eftersom det är mest sannolikt att utomjordiskt liv finns där. Forskare vid University of Bern har nu utvecklat en innovativ maskininlärningsmodell som identifierar planetsystem som potentiellt kan hysa jordliknande planeter.
Hela teamet bakom resultaten är, eller var vid tidpunkten för studien, knutet till University of Bern och medlem i NCCR PlanetS. Den första författaren, Dr. Jeanne Davoult, som nu är postdoktor vid DLR (Deutsches Zentrum für Luft- und Raumfahrt) i Berlin, studerar exoplanetpopulationer och utvecklade modellen som en del av sin doktorsavhandling vid Space Research and Planetary Sciences Division (WP) vid Physics Institute vid universitetet i Bern.
Prof. Dr. Yann Alibert, meddirektör för Center for Space and Habitability (CSH), och Romain Eltschinger, också doktorand vid CSH, bidrog i hög grad till studien, som just har publicerats i tidskriften Astronomy & Astrophysics.
Träning med data från Bern-modellen
En maskininlärningsmodell är ett statistiskt verktyg som tränas med data för att känna igen vissa typer av mönster och göra förutsägelser. Dr Davoult förklarar: ”Vår modell bygger på en algoritm som jag har utvecklat och som tränats för att känna igen och klassificera planetsystem som hyser jordliknande planeter.”
Modellen bygger på tidigare studier för att härleda en korrelation mellan närvaron eller frånvaron av en jordliknande planet och egenskaperna hos dess system.
Algoritmen har tränats och testats med data från den så kallade Bernmodellen för planetbildning och evolution. ”Bernmodellen kan användas för att göra uttalanden om hur planeter bildades, hur de har utvecklats och vilka typer av planeter som utvecklas under vissa förhållanden i en protoplanetär skiva”, förklarar medförfattaren Dr. Alibert.
Sedan 2003 har Bernmodellen kontinuerligt utvecklats vid universitetet i Bern. ”Bernmodellen är en av de enda modellerna i världen som erbjuder en sådan mängd sammanhängande fysiska processer och som gör det möjligt att genomföra en studie som den aktuella”, fortsätter Dr. Alibert.
99% noggrannhet i den nya modellen
Algoritmen i den nya maskininlärningsmodellen tränades och testades med hjälp av data om syntetiska planetsystem från Bernmodellen. ”Resultaten är imponerande: algoritmen uppnår precisionsvärden på upp till 0,99, vilket innebär att 99% av de system som identifieras av maskininlärningsmodellen har minst en jordliknande planet”, säger Dr. Davoult.
Modellen tillämpades sedan på faktiskt observerade planetsystem. ”Modellen identifierade 44 system som med stor sannolikhet hyser oupptäckta jordliknande planeter. En ytterligare studie bekräftade den teoretiska möjligheten för dessa system att hysa en jordliknande planet”, förklarar Dr. Davoult.
Mer effektiv sökning efter beboeliga planeter
Som en del av sin masteruppsats bidrog Eltschinger, som är medförfattare till studien, till vidareutvecklingen av maskininlärningsmodellen, så att den kan användas i ett ännu bredare spektrum av scenarier.
Han säger: ”Dessa resultat är viktiga för forskarsamhället, och i synnerhet för framtida rymduppdrag som PLATO eller framtida uppdragskoncept som LIFE, som kommer att ägnas åt att upptäcka och karakterisera små, kalla planeter.”
Användningen av denna maskininlärningsmodell för att söka mer specifikt efter jordliknande planeter skulle kunna minimera söktiderna och maximera antalet upptäckter. ”Detta är ett viktigt steg i sökandet efter planeter med förhållanden som är gynnsamma för liv och i slutändan i sökandet efter liv i universum”, avslutar Dr. Alibert.
För mer information: Jeanne Davoult et al, Earth-like planet predictor: A machine learning approach, Astronomy & Astrophysics (2025). DOI: 10.1051/0004-6361/202452434
