Journal e publicado no servidor de pré-impressão arXiv, uma equipe de cientistas sugeriu que os próximos estudos astronômicos podem utilizar machine learning para buscar por diferentes anomalias a partir de dados espectroscópicos de alta resolução.
Assinaturas químicas raras e bioassinaturas desconhecidas que, talvez, sejam responsáveis por um tipo diferente de vida fora da Terra.
Será possível empregar as melhores técnicas de aprendizado de máquina da atualidade para procurar por diferentes anomalias. Para chegar aos resultados, o estudo reuniu físicos e especialistas em aprendizado de máquina.
JWST, que retornou algumas observações espectroscópicas excepcionais de vários exoplanetas, a Agência Espacial Europeia (ESA) está planejando um telescópio espacial dedicado a exoplanetas, ARIEL, que observará mil planetas. A análise desses dados manterá os cientistas ocupados por muito tempo", disse uma das autoras do estudo, a professora Katia Matcheva, em mensagem enviada ao site Universe Today.
Base nas bioassinaturas que conhecemos, ou seja, evidências de vida e processos orgânicos que acontecem na Terra. Entre as bioassinaturas mais procuradas, podemos citar: nitrogênio (N2), oxigênio (O2), dióxido de carbono (CO2), metano (CH4), amônia (NH3) e água (H2O).
Por isso, os pesquisadores esperam que a combinação desses dados com a técnica apresente novas bioassinaturas; ou seja, talvez até mesmo exoplanetas que já conhecemos e classificamos como sem bioassinatura possam ser descobertos como 'habitáveis' de qualquer forma, provavelmente não serão 'habitáveis' como os conhecemos.
São procurar vida na ‘zona habitável’, que por definição é amiga do homem (ou da vida terrestre). Então, como você procura algo quando não sabe como é? É aí que entram as técnicas de aprendizado de máquina (machine learning) para a detecção de novidades elas podem sinalizar pontos de dados inconsistentes com os dados de treinamento, ou seja, que não concordam com os modelos teóricos atuais”, conclui Matcheva.