Сегодня известно уже более семи тысяч экзопланет, но почти все они были найдены с помощью двух методов — транзитного и лучевых скоростей. Оба способа отлично работают для планет, расположенных близко к своей звезде, но почти «слепы» к далёким орбитам. Именно поэтому большая часть планетных систем остаётся скрытой от наших телескопов.
Существует и третий метод — астрометрический. Он основан на поиске едва заметного «покачивания» звезды под действием гравитации спутника. Этот эффект крайне мал, и до недавнего времени его удавалось зафиксировать лишь в единичных случаях. Ситуацию изменила космическая обсерватория Gaia Европейского космического агентства.
Gaia и новая эра астрометрии
Gaia измеряет положения и движения звёзд с беспрецедентной точностью. В третьем выпуске данных (Gaia DR3) были опубликованы астрометрические решения для сотен тысяч двойных систем. Однако обнаружение планетарных компаньонов всё ещё остаётся сложной задачей: стандартная обработка данных Gaia пока не позволяет уверенно находить объекты планетной массы только по астрометрии.
Именно здесь на сцену выходит искусственный интеллект.
Что такое ExoDNN
ExoDNN — это глубокая нейросеть, созданная для поиска скрытых компаньонов у звёзд по косвенным признакам в данных Gaia DR3. Вместо попыток напрямую «увидеть» орбиту планеты, модель анализирует качество астрометрических решений.
Если звезда одиночная, её движение хорошо описывается простой моделью. Но если рядом есть невидимый спутник, в данных появляются характерные отклонения. Gaia фиксирует их в виде специальных статистических параметров: показателя качества подгонки, избыточного шума, ошибок параллакса и собственных движений. ExoDNN учится распознавать сложные комбинации этих признаков.
Как обучали нейросеть
Для обучения модели учёные создали обширный набор синтетических данных. Они смоделировали сто тысяч звёздных систем — как одиночных, так и с компаньонами массой от гигантских планет до коричневых карликов. Для каждой системы рассчитывалось, как именно Gaia «увидит» её движение.
Нейросеть обучалась отличать одиночные звёзды от систем с компаньонами, используя 31 параметр Gaia DR3, включая астрометрические, фотометрические и спектроскопические характеристики. Такой подход позволил ExoDNN научиться выявлять даже слабые сигналы, которые трудно уловить традиционными методами.
Насколько хорошо работает ExoDNN
Тестирование показало, что ExoDNN превосходит классические алгоритмы машинного обучения. Модель демонстрирует высокую точность и низкий уровень ложных срабатываний — около одного процента. Особенно важно, что нейросеть корректно реагирует на реальный астрометрический сигнал, а не просто на шум в данных.
Анализ показал, что наибольшее влияние на решение модели оказывают показатели качества астрометрической подгонки и избыточный шум — именно те параметры, которые физически связаны с наличием невидимого спутника.
Поиск кандидатов в данных Gaia DR3
После обучения ExoDNN была применена к реальным данным Gaia DR3. Учёные отобрали более ста тысяч звёзд спектральных классов F, G, K и M на расстоянии до 100 парсеков от Солнца. Для каждой звезды была вычислена вероятность наличия скрытого компаньона.
В результате нейросеть выделила 7414 звёзд-кандидатов, у которых с высокой вероятностью присутствуют невидимые спутники. Их характеристики — масса, химический состав и распределение по типам — оказались близки к уже известным двойным системам Gaia.
Зачем это важно
ExoDNN открывает новое окно в изучении архитектуры планетных систем. Метод особенно чувствителен к массивным планетам и коричневым карликам на дальних орбитах — области, плохо доступной транзитным и спектральным наблюдениям.
Полученный список кандидатов станет ценным ориентиром для будущих наблюдений, в том числе с помощью миссии PLATO и наземных спектрографов. А с выходом Gaia DR4, обладающего ещё более высокой точностью, такие методы могут привести к настоящему прорыву в астрометрическом поиске экзопланет.
Искусственный интеллект постепенно становится полноценным инструментом астрономии, помогая находить то, что раньше оставалось невидимым даже для самых точных телескопов.
Источники:
Статья создана по материалам работы на arXiv.org
