Новый метод машинного обучения может помочь обнаружить биологические маркеры на экзопланетах земного типа

Модели машинного обучения, обученные на миллионах синтетических спектров, смогли идентифицировать метан, озон и воду в шумных данных

Поиск атмосферных биологических маркеров на экзопланетах земного типа является одной из самых актуальных задач в современной наблюдательной астробиологии. Обнаружение биогенных газов на таких планетах требует высокого разрешения и длительного времени интеграции. Новая работа, опубликованная на сервере препринтов arxiv.org, предлагает общую методологию машинного обучения для классификации спектров пропускания с низким отношением сигнал-шум, что может значительно оптимизировать использование ресурсов космического телескопа «Джеймс Уэбб» (JWST) для поиска биосигнатур.

В исследовании разработана и протестирована методология, предназначенная для классификации спектров пропускания в соответствии с их потенциалом содержать биосигнатуры. Для этой цели авторы обучили набор моделей, способных классифицировать шумные спектры пропускания, как содержащие метан, озон или воду (мультивариантная классификация) или просто как представляющие интерес для последующих наблюдений (бинарная классификация).

Модели были обучены с использованием примерно 10^6 синтетических спектров планет, похожих на TRAPPIST-1 e, которые были сгенерированы с помощью пакета MultiREx, специально разработанного для этой работы. Обученные алгоритмы правильно классифицировали тестовые планеты со спектрами пропускания, имеющими отношение сигнал-шум (SNR) менее 6 и содержащими метан или озон при соотношениях смешивания, аналогичных таковым для современной и протерозойской Земли.

Тесты на реалистичных синтетических спектрах, основанных на современной атмосфере Земли, показывают, что по крайней мере одна из моделей могла бы классифицировать как вероятно имеющую биосигнатуры и использующую только один транзит большинство обитаемых планет земной группы, наблюдаемых с помощью JWST вокруг М-карликов, расположенных на расстояниях, аналогичных или меньших, чем расстояние до TRAPPIST-1 e.

Значение этого результата для разработки программ наблюдений и будущих исследований огромно. Машинные стратегии, подобные представленным в этой работе, могут значительно оптимизировать использование ресурсов JWST для поиска биомаркеров, одновременно максимизируя шансы на реальное открытие после целенаправленных последующих наблюдений за перспективными кандидатами. Этот метод может стать ключевым инструментом в поиске жизни за пределами Солнечной системы.