[:it]L’intelligenza artificiale per lo studio delle atmosfere planetarie.[:en]Artificial Intelligence applied to the study of exoplanets atmosphere. [:]
[:it]In questi anni lo studio degli esopianeti è evoluto dall’identificazione delle stelle con sistemi esoplanetari attraverso il metodo dei transiti e delle velocità radiali (metodi che permettono anche una prima determinazione delle loro proprietà fisiche quali massa, dimensioni e densità), alla caratterizzazione delle loro atmosfere grazie a strumenti disponibili oggi come WFC3 a bordo dell’Hubble Space Telescope. Durante i transiti, ossia quando il pianeta transita sul disco stellare lungo la nostra linea di vista, infatti, parte della luce stellare è filtrata dall’atmosfera dell’esopianeta. Questo lascia un’importante impronta nello spettro della stella, che presenta righe di assorbimento dei gas e delle molecole contenute nell’atmosfera dell’esopianeta.
Osservazioni spettroscopiche con elevati rapporti segnale/rumore, quindi, possono in principio permetterci di studiare la composizione chimica delle atmosfere esoplanetarie, la loro stratificazione, ed in principio di individuare la presenza di elementi chimici legati alla presenza di vita sul pianeta. Questa sarà uno degli obiettivi scientifici di JWST, il successore dell’Hubble Space Telescope, che verrà lanciato in orbita nei prossimi anni, ed il principale obiettivo della missione ARIEL, dedicata alla caratterizzazione delle atmosfere esoplanetarie e che vede un forte coinvoglimento della comunità scientifica italiana.
Il problema di risalire alla composizione chimica ed alle proprietà di un atmosfera esoplanetaria dagli spettri osservati è, però, un problema in principio mal posto. Si cerca, infatti, di ricostruire un sistema fisico parecchio complesso, che richiede modelli con molti gradi di libertà, a partire dalle poche informazioni presenti negli spettri osservati. Inoltre, il processo di convergenza di un modello di atmosfera con un adeguato livello di complessità richiede un numero di iterazioni molto elevato, fino a 105, 106, implicando tempi di calcolo insostenibili.
Una possibile soluzione al problema è implementare allo studio delle atmosfere esoplanetarie algoritmi di Intelligenza Artificale, ossia l’utilizzo di metodi statistici che hanno lo scopo di permettere ad determinati algoritmi di calcolo di imparare e fare predizioni sui dati. In questo ambito risulta promettente l’uso degli artificial neuron network,che permettono al computer di imparare direttamente dai dati, generalizzando le informazioni e risolvendo problemi complessi. Questi algoritmi sono vagamente ispirati alla rete neuronale del cervello, dove i calcoli vengono eseguiti da gruppi neuronali interconnessi tra di loro dallo scambio di input e output. Nell’articolo “ExoGAN: Retrieving Exoplanetary Atmospheres Using Deep Convolutional Generative Adversarial Networks” di Tiziano Zingales (dottorando presso l’University College of London e INAF – Osservatorio Astronomico di Palermo, adesso ricercatore post-doc al ) è descritto l’algoritmo ExoGAN,(Exoplanet Generative Adversarial Network), adatto per identificare le molecole presenti in un atmosfera esoplanetaria, studiarne l’abbondanza e determinare i parametri fisici dell’atmosfera dall’analisi degli spettri ad alta risoluzione. ExoGANè un Deep Convolutional Generative Advesarial Network, un tipo di algoritmi deep learning particolarmente versatile, che può essere applicato a vari strumenti e tipi di esopianeti. L’articolo è apparso su “”The Astronomical Journal”.
L’immagine (link) mostrail confronto tra uno spettro simulato e lo spettro riprodotto da ExoGAN di un pianeta dominato da acqua, nella finestra spettrale di HST/WFC3.
di Mario Giuseppe Guarcello ( segui mguarce)[:en]In the last few years, many space missions and ground-based surveys, discovered more than 4000 exoplanets, especially using the transit and radial velocity methods. These two methods combined, give us a first estimation of the bulk density of the planets. In order to have a deeper understanding on the planetary characteristics and history, we also need to study their atmospheres. With the current technology (i.e. the WFC3 Hubble camera), it is possible to characterize the atmosphere of transiting planets. During planetary transits, in fact, part of stellar radiation is filtered by the exoplanetary atmosphere. By observing a planetary transit at different wavelengths, it is possible to infer the chemical composition and the physical properties of a planetary atmosphere.
Spectroscopic observations, thus, allow us in principle to study the chemical composition and stratification of exoplanets atmosphere, and in future also to detect the presence of chemical elements indicating the presence of life in the planets. This will be one of the scientific tasks of JWST, the new NASA observatory that will be launched in the next future, and the main task of ARIEL, the mission dedicated to the study of exoplanetary atmospheres which has a great contribution of the Italian scientific community.
However, the study of the chemical composition and properties of the atmospheres of exoplanets from the analysis of spectra is an ill-posed problem. Planetary atmospheres are, in fact, very complicated physical systems which need models with a large number of degree of freedom, that we are trying to reproduce from the few information contained in stellar spectra. Besides, the number of required steps to allow the models to converge is very high (typically 105, 106 iterations), resulting in very high computation times.
A possible solution to this problem is the use of Artificial Intelligence algorithms, i.e. the use of statistical methods which allow the computation algorithms to learn from data sets and make predictions. In particular, to this aim is promising the use of the artificial neural networks, which are algorithms which try to mimic biological neural networks, where the computer tries to learn directly from the dataset, generalising the information and using it to solve very complex problems. In the paper: “ExoGAN: Retrieving Exoplanetary Atmospheres Using Deep Convolutional Generative Adversarial Networks“, recently published by the Astronomical Journal, of Tiziano Zingales (Ph.D. student of the University College of London and INAF – Astronomical Observatory of Palermo, currently post-doc at the Laboratoire d’Astrophysique de Bordeaux) is presented the recently developed algorithm ExoGAN (Exoplanet Generative Adversarial Network), which allows the identification of molecules in the exoplanetary atmospheres, the estimatation of their abundance, and to obtain the physical parameters of the atmosphere from the analysis of exoplanetary spectra. ExoGAN (Exoplanets Generative Adversarial Network), is a Deep Convolutional Generative Advesarial Network, an extremely elastic and versatile deep learning algorithm, that can be applied to a wide range of instruments and exoplanetary types.
The figure (link) compares the simulated spectrum and the one reproduced by ExoGAN of a water-dominated planet.
of Mario Giuseppe Guarcello ( follow mguarce)[:]