.
Pesquisadores da LMU, do ORIGINS Excellence Cluster, do Max Planck Institute for Extraterrestrial Physics (MPE) e do ORIGINS Data Science Lab (ODSL) fizeram um avanço importante na análise de atmosferas de exoplanetas. Usando redes neurais informadas pela física (PINNs), eles conseguiram modelar a dispersão complexa de luz nas atmosferas de exoplanetas com maior precisão do que era possível anteriormente. Este método abre novas oportunidades para a análise de atmosferas de exoplanetas, especialmente no que diz respeito à influência das nuvens, e pode melhorar significativamente nossa compreensão desses mundos distantes.
Quando exoplanetas distantes passam na frente de sua estrela, eles bloqueiam uma pequena porção da luz estelar, enquanto uma porção ainda menor penetra na atmosfera planetária. Essa interação leva a variações no espectro de luz, que refletem as propriedades da atmosfera, como composição química, temperatura e cobertura de nuvens. Para poder analisar esses espectros medidos, no entanto, os cientistas precisam de modelos que sejam capazes de calcular milhões de espectros sintéticos em um curto espaço de tempo. Somente comparando posteriormente os espectros calculados com os medidos é que obtemos informações sobre a composição atmosférica dos exoplanetas observados. E mais, as novas observações altamente detalhadas vindas do Telescópio Espacial James Webb (JWST) necessitam de modelos atmosféricos igualmente detalhados e complexos.
Resolução rápida de equações complexas graças à IA
Um aspecto fundamental da pesquisa de exoplanetas é a dispersão da luz na atmosfera, particularmente a dispersão das nuvens. Modelos anteriores não conseguiram capturar satisfatoriamente essa dispersão, o que levou a imprecisões na análise espectral. Redes neurais informadas pela física oferecem uma vantagem decisiva aqui, pois são capazes de resolver equações complexas de forma eficiente. No estudo recém-publicado, os pesquisadores treinaram duas dessas redes. O primeiro modelo, que foi desenvolvido sem levar em conta a dispersão da luz, demonstrou uma precisão impressionante com erros relativos de, na maioria, menos de um por cento. Enquanto isso, o segundo modelo incorporou aproximações da chamada dispersão de Rayleigh — o mesmo efeito que faz o céu parecer azul na Terra. Embora essas aproximações exijam mais melhorias, a rede neural foi capaz de resolver a equação complexa, o que representa um avanço importante.
Colaboração interdisciplinar
Essas novas descobertas foram possíveis graças a uma colaboração interdisciplinar única entre físicos da LMU Munich, o ORIGINS Excellence Cluster, o Max Planck Institute for Extraterrestrial Physics (MPE) e o ORIGINS Data Science Lab (ODSL), especializado no desenvolvimento de novos métodos baseados em IA em física. “Essa sinergia não apenas avança a pesquisa de exoplanetas, mas também abre novos horizontes para o desenvolvimento de métodos baseados em IA em física”, explica o autor principal do estudo David Dahlbüdding da LMU. “Queremos expandir ainda mais nossa colaboração interdisciplinar no futuro para simular a dispersão de luz das nuvens com maior precisão e, assim, fazer uso total do potencial das redes neurais.”
.
