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 importante en el análisis de atmósferas de exoplanetas. Utilizando redes neuronales basadas en la física (PINN), pudieron modelar la compleja dispersión de la luz en las atmósferas de exoplanetas con mayor precisión de lo que era posible anteriormente. Este enfoque abre nuevas oportunidades para analizar las atmósferas de los exoplanetas, particularmente en el área de los efectos de las nubes, y podría mejorar significativamente nuestra comprensión de estos mundos distantes.
Cuando los exoplanetas distantes pasan frente a su estrella, bloquean una pequeña fracción de la luz de la estrella, mientras que una fracción aún más pequeña ingresa a la atmósfera del planeta. Esta interacción conduce a variaciones en el espectro de luz, que reflejan 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 sintéticos en un corto período de tiempo. Sólo comparando posteriormente los espectros calculados con los medidos podemos obtener información sobre la composición atmosférica de los exoplanetas observados. Y lo que es más, las nuevas observaciones altamente detalladas provenientes del Telescopio Espacial James Webb (JWST) requieren modelos atmosféricos igualmente detallados y complejos.
Resolución más rápida de ecuaciones complejas gracias a la IA
Un aspecto clave de la investigación de exoplanetas es la dispersión de la luz por las atmósferas, especialmente la dispersión de las nubes. Los modelos anteriores no pudieron capturar satisfactoriamente esta dispersión, lo que generó imprecisiones en el análisis espectral. Las redes neuronales basadas en la física ofrecen aquí una ventaja decisiva, ya que son capaces de resolver eficientemente ecuaciones complejas. En un estudio recién publicado, los investigadores entrenaron dos de esas redes. El primer modelo, que se desarrolló sin tener en cuenta la dispersión de la luz, mostró una precisión impresionante con errores relativos en su mayoría inferiores al uno por ciento. Mientras tanto, el segundo modelo incorpora suposiciones sobre el llamado derrame ferroviario, el mismo efecto que hace que el cielo parezca azul en la Tierra. Aunque estas aproximaciones requieren mejoras adicionales, la red neuronal pudo resolver la compleja ecuación, lo que representa un avance importante.
Colaboración interdisciplinaria
Estos nuevos descubrimientos son posibles gracias a una colaboración interdisciplinaria única entre físicos de LMU Munich, Origins Excellence Cluster, el Instituto Max Planck de Física Extraterrestre (MPE) y el Origins Data Science Lab (ODSL), que se especializa en el desarrollo de nuevas tecnologías. . Enfoques de la física basados en la IA. “Esta combinación no sólo hace avanzar la investigación de exoplanetas, sino que también abre nuevos horizontes para el desarrollo de enfoques en física basados en la IA”, explica el autor principal del estudio, David Dahlboding, de la LMU. “En el futuro nos gustaría ampliar nuestra colaboración interdisciplinaria para simular con mayor precisión la dispersión de la luz de las nubes y así aprovechar al máximo el potencial de las redes neuronales”.