Naukowcy z LMU, ORIGINS Excellence Cluster, Max Planck Institute for Extraterrestrial Physics (MPE) i ORIGINS Data Science Lab (ODSL) dokonali ważnego przełomu w analizie atmosfer egzoplanet. Wykorzystując sieci neuronowe oparte na fizyce (PINN), udało im się modelować złożone rozpraszanie światła w atmosferach egzoplanet z większą precyzją, niż było to możliwe wcześniej. Ta metoda otwiera nowe możliwości analizy atmosfer egzoplanet, zwłaszcza w odniesieniu do wpływu chmur, i może znacznie poprawić nasze zrozumienie tych odległych światów.
Kiedy odległe egzoplanety przechodzą przed swoją gwiazdą, blokują niewielką część światła gwiazdy, podczas gdy jeszcze mniejsza część przenika przez atmosferę planety. Ta interakcja prowadzi do zmian w widmie światła, które odzwierciedlają właściwości atmosfery, takie jak skład chemiczny, temperatura i zachmurzenie. Jednak aby móc analizować te zmierzone widma, naukowcy potrzebują modeli, które są w stanie obliczyć miliony widm syntetycznych w krótkim czasie. Dopiero porównując następnie obliczone widma z widmami zmierzonymi, uzyskujemy informacje o składzie atmosfery obserwowanych egzoplanet. Co więcej, niezwykle szczegółowe nowe obserwacje pochodzące z Kosmicznego Teleskopu Jamesa Webba (JWST) wymagają równie szczegółowych i złożonych modeli atmosferycznych.
Szybkie rozwiązywanie złożonych równań dzięki sztucznej inteligencji
Kluczowym aspektem badań egzoplanet jest rozpraszanie światła w atmosferze, w szczególności rozpraszanie na chmurach. Poprzednie modele nie były w stanie w zadowalający sposób uchwycić tego rozpraszania, co prowadziło do niedokładności w analizie widmowej. Sieci neuronowe oparte na fizyce oferują tutaj decydującą przewagę, ponieważ są w stanie wydajnie rozwiązywać złożone równania. W niedawno opublikowanym badaniu naukowcy wytrenowali dwie takie sieci. Pierwszy model, który został opracowany bez uwzględnienia rozpraszania światła, wykazał imponującą dokładność z błędami względnymi wynoszącymi głównie poniżej jednego procenta. Tymczasem drugi model uwzględniał przybliżenia tzw. rozpraszania Rayleigha — tego samego efektu, który sprawia, że niebo na Ziemi wydaje się niebieskie. Chociaż te przybliżenia wymagają dalszych udoskonaleń, sieć neuronowa była w stanie rozwiązać złożone równanie, co stanowi ważny postęp.
Współpraca interdyscyplinarna
Te nowe odkrycia były możliwe dzięki wyjątkowej interdyscyplinarnej współpracy między fizykami z LMU w Monachium, ORIGINS Excellence Cluster, Max Planck Institute for Extraterrestrial Physics (MPE) i ORIGINS Data Science Lab (ODSL), które specjalizuje się w opracowywaniu nowych metod fizyki opartych na sztucznej inteligencji. „Ta synergia nie tylko rozwija badania egzoplanet, ale także otwiera nowe horyzonty dla rozwoju metod fizyki opartych na sztucznej inteligencji” — wyjaśnia główny autor badania David Dahlbüdding z LMU. „Chcemy dalej rozszerzać naszą interdyscyplinarną współpracę w przyszłości, aby symulować rozpraszanie światła na chmurach z większą precyzją i w ten sposób w pełni wykorzystać potencjał sieci neuronowych”.