Maschinelles Lernen wird eine der besten Möglichkeiten sein, bewohnbare Exoplaneten zu identifizieren

Das Gebiet der Erforschung extrasolarer Planeten erfährt eine seismische Verschiebung. Bis heute wurden 4.940 Exoplaneten in 3.711 Planetensystemen bestätigt, weitere 8.709 Kandidaten warten auf die Bestätigung. Mit so vielen Planeten, die für Studien zur Verfügung stehen, und Verbesserungen bei der Empfindlichkeit des Teleskops und der Datenanalyse verlagert sich der Fokus von der Entdeckung zur Charakterisierung. Anstatt einfach nach weiteren Planeten zu suchen, werden Astrobiologen „potenziell bewohnbare“ Welten auf potenzielle „Biosignaturen“ untersuchen.

Dies bezieht sich auf die chemischen Signaturen, die mit Leben und biologischen Prozessen verbunden sind, von denen eine der wichtigsten Wasser ist. Als einziges bekanntes Lösungsmittel, ohne das Leben (wie wir es kennen) nicht existieren kann, gilt Wasser als Wünschelrute für die Suche nach Leben. In einer aktuellen Studie erklären die Astrophysiker Dang Pham und Lisa Kaltenegger, wie zukünftige Vermessungen (in Kombination mit maschinellem Lernen) das Vorhandensein von Wasser, Schnee und Wolken auf fernen Exoplaneten erkennen könnten.

Dang Pham ist Doktorand am David A. Dunlap Department of Astronomy & Astrophysics an der University of Toronto, wo er sich auf die Erforschung der Planetendynamik spezialisiert hat. Lisa Kaltenegger ist außerordentliche Professorin für Astronomie an der Cornell University, Direktorin des Carl Sagan Institute und eine weltweit führende Expertin für die Modellierung potenziell bewohnbarer Welten und die Charakterisierung ihrer Atmosphären.

Wasser ist etwas, von dem alles Leben auf der Erde abhängt, daher seine Bedeutung für Exoplaneten- und astrobiologische Untersuchungen. Wie Lisa Kaltenegger Universe Today per E-Mail mitteilte, spiegelt sich diese Bedeutung im Slogan der NASA wider – „Folge einfach dem Wasser“ – der auch den Titel ihres Papiers inspirierte.

„Flüssiges Wasser auf der Oberfläche eines Planeten ist eine der schlagenden Waffen für potenzielles Leben – ich sage hier Potenzial, weil wir nicht wissen, was wir sonst noch brauchen, um Leben zu beginnen. Aber flüssiges Wasser ist ein großartiger Anfang. Also haben wir den Slogan der NASA verwendet „Folge einfach dem Wasser“ und fragte: „Wie können wir Wasser auf der Oberfläche von felsigen Exoplaneten in der bewohnbaren Zone finden? Spektroskopie ist zeitintensiv, daher suchen wir nach einem schnelleren Weg, um zunächst vielversprechende Planeten zu identifizieren – solche mit flüssigem Wasser darauf Ihnen.“

Derzeit sind Astronomen darauf beschränkt, nach der Absorption der Lyman-Alpha-Linie zu suchen, die auf das Vorhandensein von Wasserstoffgas in der Atmosphäre eines Exoplaneten hinweist. Dies ist ein Nebenprodukt von atmosphärischem Wasserdampf, der ultravioletter Sonnenstrahlung ausgesetzt wurde, wodurch er chemisch in Wasserstoff und molekularen Sauerstoff (O2) zerfällt – ersterer geht an den Weltraum verloren, während letzterer zurückgehalten wird.

Dies wird sich bald ändern, dank Teleskopen der nächsten Generation wie dem James Webb (JWST) und Nancy Grace Roman Space Telescopes (RST) sowie Observatorien der nächsten Generation wie dem Origins Space Telescope, dem Habitable Exoplanet Observatory (HabEx ) und dem Large UV/Optical/IR Surveyor (LUVOIR). Es gibt auch bodengestützte Teleskope wie das Extremely Large Telescope (ELT), das Giant Magellan Telescope (GMT) und das Thirty Meter Telescope (TMT).

Dank ihrer großen Hauptspiegel und einer fortschrittlichen Suite von Spektrographen, Chronographen und adaptiver Optik werden diese Instrumente in der Lage sein, direkte bildgebende Studien von Exoplaneten durchzuführen. Dies besteht darin, Licht zu untersuchen, das direkt von der Atmosphäre oder Oberfläche eines Exoplaneten reflektiert wird, um Spektren zu erhalten, die es Astronomen ermöglichen, zu sehen, welche chemischen Elemente vorhanden sind. Aber wie sie in ihrem Papier angeben, ist dies ein zeitintensiver Prozess.

Astronomen beobachten zunächst Tausende von Sternen auf periodische Helligkeitseinbrüche und analysieren dann die Lichtkurven auf Anzeichen chemischer Signaturen. Derzeit verlassen sich Exoplanetenforscher und Astrobiologen auf Amateurastronomen und Maschinenalgorithmen, um die Datenmengen zu sortieren, die ihre Teleskope erhalten. Mit Blick auf die Zukunft zeigen Pham und Kaltenegger, wie wichtig fortschrittlicheres maschinelles Lernen sein wird.

Wie sie andeuten, werden ML-Techniken es Astronomen ermöglichen, die anfänglichen Charakterisierungen von Exoplaneten schneller durchzuführen, wodurch Astronomen Ziele für Folgebeobachtungen priorisieren können. Indem sie „dem Wasser folgen“, werden Astronomen in der Lage sein, mehr von der wertvollen Vermessungszeit eines Observatoriums Exoplaneten zu widmen, die mit größerer Wahrscheinlichkeit signifikante Erträge liefern.

„Teleskope der nächsten Generation werden nach Wasserdampf in der Atmosphäre von Planeten und nach Wasser auf der Oberfläche von Planeten suchen“, sagte Kaltenegger. „Um Wasser auf der Oberfläche von Planeten zu finden, sollte man natürlich suchen [for water in its] flüssige, feste und gasförmige Formen, wie wir es in unserer Arbeit getan haben.“

„Maschinelles Lernen ermöglicht es uns, optimale Filter schnell zu identifizieren und Kompromisse bei der Genauigkeit bei verschiedenen Signal-Rausch-Verhältnissen einzugehen“, fügte Pham hinzu. „In der ersten Aufgabe, mit [the open-source algorithm] XGBoost erhalten wir ein Ranking, welche Filter für den Algorithmus bei der Erkennung von Wasser, Schnee oder Wolken am hilfreichsten sind. Bei der zweiten Aufgabe können wir beobachten, wie viel besser der Algorithmus mit weniger Rauschen arbeitet. Damit können wir eine Grenze ziehen, wo mehr Signal nicht viel besserer Genauigkeit entsprechen würde.“

Um sicherzustellen, dass ihr Algorithmus der Aufgabe gewachsen war, nahmen Pham und Kaltenegger einige beträchtliche Kalibrierungen vor. Dies bestand aus der Erstellung von 53.130 Spektrenprofilen einer kalten Erde mit verschiedenen Oberflächenkomponenten – einschließlich Schnee, Wasser und Wasserwolken. Anschließend simulierten sie die Spektren für dieses Wasser in Bezug auf Atmosphäre und Oberflächenreflexion und ordneten Farbprofile zu. Wie Pham erklärte:

„Die Atmosphäre wurde mit Exo-Prime2 modelliert – Exo-Prime2 wurde im Vergleich zur Erde in verschiedenen Missionen validiert. Das Reflexionsvermögen von Oberflächen wie Schnee und Wasser wird auf der Erde von USGS gemessen. Aus diesen Spektren erzeugen wir dann Farben. Wir trainieren XGBoost auf diesen Farben, um drei verschiedene Ziele zu erreichen: das Vorhandensein von Wasser, das Vorhandensein von Wolken und das Vorhandensein von Schnee zu erkennen.

Dieser trainierte XGBoost zeigte, dass Wolken und Schnee leichter zu identifizieren sind als Wasser, was zu erwarten ist, da Wolken und Schnee eine viel höhere Albedo (größeres Reflexionsvermögen von Sonnenlicht) als Wasser haben. Sie identifizierten außerdem fünf optimale Filter, die für den Algorithmus sehr gut funktionierten, die alle 0,2 Mikrometer breit waren und im Bereich des sichtbaren Lichts lagen. Der letzte Schritt bestand darin, eine Scheinwahrscheinlichkeitsbewertung durchzuführen, um ihr Planetenmodell in Bezug auf flüssiges Wasser, Schnee und Wolken aus den fünf von ihnen identifizierten optimalen Filtern zu bewerten.

„Endlich haben wir [performed] eine kurze Bayes’sche Analyse mit Markov-Chain Monte Carlo (MCMC), um die gleiche Aufgabe an den fünf optimalen Filtern durchzuführen, als nicht-maschinelle Lernmethode, um unsere Ergebnisse zu validieren“, sagte Pham. „Unsere Ergebnisse dort sind ähnlich: Wasser ist härter zu erkennen, aber die Identifizierung von Wasser, Schnee und Wolken durch Photometrie ist machbar.

Ebenso waren sie überrascht zu sehen, wie gut der trainierte XGBoost Wasser auf der Oberfläche von Gesteinsplaneten allein anhand der Farbe identifizieren konnte. Laut Kaltenegger sind Filter wirklich genau das: ein Mittel, um Licht in diskrete „Behälter“ zu trennen. „Stellen Sie sich einen Behälter für das gesamte rote Licht vor (den „roten“ Filter), dann einen Behälter für das gesamte grüne Licht, von hell bis dunkelgrün (den „grünen“ Filter)“, sagte sie.

Ihre vorgeschlagene Methode identifiziert Wasser nicht in Exoplanetenatmosphären, sondern auf der Oberfläche eines Exoplaneten durch Photometrie. Darüber hinaus funktioniert es nicht mit der Transit-Methode (auch bekannt als Transit-Photometrie), die derzeit das am weitesten verbreitete und effektivste Mittel zur Erkennung von Exoplaneten ist. Diese Methode besteht darin, entfernte Sterne auf periodische Helligkeitseinbrüche hin zu beobachten, die Exoplaneten zugeschrieben werden, die relativ zum Beobachter vor dem Stern vorbeiziehen (auch bekannt als Transit).

Gelegentlich können Astronomen Spektren aus der Atmosphäre eines Exoplaneten während eines Transits erhalten – ein Prozess, der als „Transit-Spektroskopie“ bekannt ist. Wenn das Sonnenlicht relativ zum Beobachter durch die Atmosphäre des Exoplaneten dringt, werden Astronomen es mit Spektrometern analysieren, um festzustellen, welche Chemikalien dort vorhanden sind. Unter Verwendung seiner empfindlichen Optik und seiner Reihe von Spektrometern wird sich das JWST auf diese Methode verlassen, um die Atmosphären von Exoplaneten zu charakterisieren.