RedacciónT21 
El aprendizaje automático es una poderosa herramienta de la Inteligencia Artificial que se utiliza para una variedad de tareas en la vida moderna, desde la detección de fraudes y la clasificación de correo basura (spam) en Google, hasta la elaboración de recomendaciones de películas en Netflix.
Ahora un equipo de investigadores de la Universidad de Toronto Scarborough ha desarrollado un nuevo enfoque del aprendizaje automático que servirá para determinar si los sistemas planetarios lejanos son estables o no, informa la citada universidad en un comunicado.
«El aprendizaje automático constituye una poderosa herramienta para predecir si los sistemas planetarios lejanos son estables», dice Dan Tamayo, autor principal de la investigación y un becario postdoctoral en el Centro de Ciencias Planetarias de la Universidad de Toronto Scarborough.
El aprendizaje automático es una rama de la inteligencia artificial que da a los ordenadores la capacidad de aprender sin tener que estar constantemente programadas para una tarea específica. La ventaja es que puede enseñar a las computadoras a aprender y cambiar cuando se exponen a nuevos datos, por no hablar de que también es muy eficiente.
El método desarrollado por Tamayo y su equipo es 1.000 veces más rápido que los métodos tradicionales para predecir la estabilidad.
«En el pasado nos hemos visto obligados a intentar averiguar si los sistemas planetarios son estables por métodos que no podían manejar la cantidad de datos que estábamos analizando», dice.
Talleres previos
Es importante saber si los sistemas planetarios son estables o no porque este dato nos puede decir mucho sobre cómo se formaron estos sistemas. También puede ofrecer valiosa información sobre los exoplanetas que no se puede obtener por los métodos actuales de observación.
Se denomina planeta extrasolar o exoplaneta a un planeta que orbita una estrella diferente al Sol y que, por lo tanto, no pertenece al sistema solar.
En la actualidad existen varios métodos de detección de exoplanetas que proporcionan información sobre el tamaño del planeta y su período orbital, pero estos métodos no pueden proporcionar información sobre la masa del planeta o determinar la elipse de su órbita, factores ambos que afectan a su estabilidad, señala Tamayo.
El método desarrollado por Tamayo y su equipo es el resultado de una serie de talleres dedicados a estudiar cómo el aprendizaje de una máquina podría ayudar a resolver problemas científicos específicos. La investigación ha sido publicada en la revista Astrophysical Journal Letters.
«Lo que es alentador es que nuestras conclusiones nos dicen que invertir semanas de cálculo para entrenar modelos de aprendizaje de máquinas vale la pena porque no sólo esta herramienta es precisa, sino porque también funciona mucho más rápido», añade.
También puede ser útil cuando se analizan los datos del satélite Transiting Exoplanet Survey Satellite (TESS) de la NASA que se lanzará el próximo año. La misión de dos años de este satélite se centrará en descubrir nuevos exoplanetas en el entorno de las estrellas más brillantes próximas a nuestro sistema solar.
«Podría ser una herramienta útil porque predecir la estabilidad de esos exoplanetas nos permitirá aprender más sobre el sistema, desde los límites superiores de la masa hasta las excentricidades de estos planetas», dice Tamayo. «Podría ser una herramienta muy útil para entender mejor esos sistemas”, concluye.
Hacer un comentario