Machine learning: investigando a relação entre atmosferas biogênicas, exoplanetas e sistemas planetários

• Bernardes, Luander ^[1] ; Martins, Anna Carolina ^[1]
  1. [1] Universidade de São Paulo-USP
• Localización: Cadernos de Astronomia, ISSN-e 2675-4754, Vol. 5, Nº. 1, 2024 (Ejemplar dedicado a: Galáxias), págs. 163-173
• Idioma: portugués
• Títulos paralelos:
  • Machine learning: investigating the relationship between biogenic atmospheres, exoplanets and planetary systems
• Enlaces
  • Texto completo
• Resumen
  • português

    A proposta da pesquisa foi estudar alguns sistemas planetários em busca de exoplanetas capazes de sustentar atmosferas biogênicas e entender o papel deles nesse contexto. Para essa tarefa, foi considerado o Earth similarity index (ESI), que é um índice de classificação de exoplanetas por similaridade com a Terra, porém, considerando uma perspectiva de modelagem multinível. A caracterização destes sistemas é importante, pois missões astronômicas, cujo objetivo seja identificar marcadores biológicos que denunciem a presença de vida, podem escolher alvos prioritários e eliminar alvos menos promissores. Foram estudados 72 sistemas extrassolares por meio de técnicas não supervisionadas e supervisionadas de machine learning com o objetivo de identificar a formação de clusters e investigar a relação multinível entre planetas e sistemas extrassolares. O trabalho demonstra que, provavelmente, uma ampla variedade de tipos de exoplanetas pode abrigar atmosferas aptas a serem estudadas remotamente, apesar de que esses resultados não consideram as constituições internas reais dos objetos estudados, já que elas são desconhecidas, o que impede uma reconstrução histórica do processo de evolução desses planetas. A abordagem multinível demonstra que aproximadamente 54% da variação do valor do ESI se deve ao efeito das condições do sistema planetário onde está localizado o exoplaneta em estudo.

  • English

    The research proposal was to study planetary systems with exoplanets capable of sustaining biogenic atmospheres and understand their role in this context. For this task, the Earth similarity index (ESI) coupled to a multilevel modeling perspective was considered, as it is an index for classifying exoplanets by similarity to Earth. The characterization of these systems is important because astronomical missions whose objective is to identify biological markers that reveal the presence of life will be able to choose priority targets and eliminate less promising targets. 72 extrasolar systems were studied using unsupervised and supervised Machine Learning techniques with the aim of identifying the formation of clusters and investigating the multilevel relationship between planets and planetary systems. The work demonstrates that a wide variety of types of exoplanets can probably harbor atmospheres capable of being studied remotely, although these results do not consider the real internal constitutions of the objects studied, as they are unknown, preventing a historical reconstruction of the evolution process of these planets. The multilevel approach demonstrates that approximately 54% of the variation in the ESI value is due to the effect of the conditions of the planetary system where the exoplanet under study is located.