Ad oggi, 4.940 esopianeti sono stati confermati in 3.711 sistemi planetari, con altri 8.709 candidati in attesa di conferma. Con così tanti pianeti disponibili per lo studio e miglioramenti nella sensibilità del telescopio e nell'analisi dei dati, l'attenzione sta passando dalla scoperta alla caratterizzazione. Invece di cercare semplicemente più pianeti, gli astrobiologi esamineranno mondi "potenzialmente abitabili" alla ricerca di potenziali "biofirme".
Si cercano le firme chimiche associate alla vita e ai processi biologici, uno dei più importanti dei quali è l'acqua. Come l'unico solvente conosciuto di cui la vita (come la conosciamo) non può esistere senza, l'acqua è considerata la verga divinatoria per trovare la vita. In un recente studio, gli astrofisici Dang Pham e Lisa Kaltenegger spiegano come le indagini future (se combinate con l'apprendimento automatico) potrebbero discernere la presenza di acqua, neve e nuvole su esopianeti lontani. Questa importanza si riflette nello slogan della NASA – "basta seguire l'acqua" – che ha anche ispirato il titolo del loro articolo.
Dang Pham è uno studente laureato presso il David A. Dunlap Department of Astronomy & Astrophysics presso l'Università di Toronto, dove è specializzato nella ricerca sulla dinamica planetaria. Lisa Kaltenegger è professore associato di astronomia alla Cornell University, direttrice del Carl Sagan Institute ed esperta di fama mondiale nella modellazione di mondi potenzialmente abitabili e nella caratterizzazione delle loro atmosfere.
Attualmente, per identificare la presenza di acqua, gli astronomi si sono limitati a cercare l'assorbimento della linea Lyman-alfa, che indica la presenza di idrogeno gassoso nell'atmosfera di un esopianeta. Questo è un sottoprodotto del vapore acqueo atmosferico che è stato esposto alla radiazione ultravioletta solare, causandone la dissociazione chimica in idrogeno e ossigeno molecolare (O2), il primo dei quali viene perso nello spazio mentre il secondo viene mantenuto.
Questo approccio sta per cambiare, grazie a telescopi di nuova generazione come il James Webb (JWST) e il Nancy Grace Roman Space Telescopes (RST), così come agli osservatori di prossima generazione come l'Origins Space Telescope, l'Habitable Exoplanet Observatory (HabEx) e il Large UV/Optical/IR Surveyor (LUVOIR). Ci sono anche telescopi terrestri come l'Extremely Large Telescope (ELT), il Giant Magellan Telescope (GMT) e il Thirty Meter Telescope (TMT).
Grazie ai loro grandi specchi primari e all'avanzata suite di spettrografi, cronografi, ottiche adattive, questi strumenti saranno in grado di condurre studi di imaging diretto di esopianeti. Questo consiste nello studiare la luce riflessa direttamente dall'atmosfera o dalla superficie di un esopianeta per ottenere spettri, consentendo agli astronomi di individuare quali elementi chimici sono presenti. Ma come indicano nell'articolo di Lisa Kaltenegger e Dang Pham, questo è un processo che richiede molto tempo.
Gli astronomi iniziano osservando migliaia di stelle per cali periodici di luminosità, quindi analizzando le curve di luce per individuare i segni di firme chimiche. Attualmente, i ricercatori di esopianeti e gli astrobiologi si affidano ad astronomi dilettanti e algoritmi meccanici per ordinare i volumi di dati ottenuti dai loro telescopi. Guardando al futuro, Pham e Kaltenegger mostrano come l'apprendimento automatico più avanzato sarà cruciale.
Come indicano Pham e Kaltenegger, le tecniche ML consentiranno agli astronomi di condurre le caratterizzazioni iniziali degli esopianeti più rapidamente, permettendo agli astronomi di dare priorità agli obiettivi per le osservazioni di follow-up. "Seguendo l'acqua", gli astronomi saranno in grado di dedicare più tempo di indagine agli esopianeti che hanno maggiori probabilità di fornire rendimenti significativi.
"I telescopi di prossima generazione cercheranno il vapore acqueo nell'atmosfera dei pianeti e l'acqua sulla superficie dei pianeti", ha affermato Kaltenegger. "L'apprendimento automatico ci consente di identificare rapidamente i filtri ottimali, nonché il compromesso in termini di precisione in vari rapporti segnale-rumore", ha aggiunto Pham. "Nel primo compito, utilizzando [l'algoritmo open source] XGBoost, otteniamo una classifica di quali filtri sono più utili per l'algoritmo nei suoi compiti di rilevamento di acqua, neve o nuvole. Nel secondo compito, possiamo osservare quanto meglio l'algoritmo si comporta con meno rumore".
Per assicurarsi che il loro algoritmo fosse all'altezza del compito, Pham e Kaltenegger hanno fatto una notevole calibrazione. Ciò consisteva nel creare 53.130 profili spettrali di una Terra fredda con vari componenti superficiali, tra cui neve, acqua e nuvole d'acqua. Hanno quindi simulato gli spettri per quest'acqua in termini di atmosfera e riflettività superficiale e hanno assegnato profili di colore. Come ha spiegato Pham: "Alleniamo XGBoost su questi colori per eseguire tre obiettivi separati: rilevare l'esistenza dell'acqua, l'esistenza delle nuvole e l'esistenza della neve".
L'addestramento di XGBoost ha dimostrato che le nuvole e la neve sono più facili da identificare rispetto all'acqua a causa del fatto che nuvole e ghiaccio hanno una maggiore riflettività della luce solare rispetto all'acqua liquida. Hanno inoltre identificato cinque filtri ottimali che hanno funzionato molto bene per l'algoritmo, tutti larghi 0,2 micrometri e nella gamma di luce visibile. Il passo finale è stato quello di eseguire una finta valutazione di probabilità per valutare il loro modello planetario per quanto riguarda l'acqua liquida, la neve e le nuvole dal set di cinque filtri ottimali che hanno identificato.
L'acqua è più difficile da rilevare, ma identificare acqua, neve e nuvole attraverso la fotometria è fattibile" ha affermato Pham. Allo stesso modo, sono rimasti sorpresi di vedere quanto bene l'XGBoost addestrato potesse identificare l'acqua sulla superficie dei pianeti rocciosi in base al solo colore. Il metodo proposto non identifica l'acqua nelle atmosfere degli esopianeti, ma sulla superficie di un esopianeta tramite fotometria.
Inoltre, non funzionerà con il metodo di Transit Photometry, che è attualmente il mezzo più utilizzato ed efficace per il rilevamento di esopianeti. Questo metodo consiste nell'osservare cali periodici di luminosità da stelle lontane, attribuiti agli esopianeti che passano davanti alla stella rispetto all'osservatore.
A volte, gli astronomi possono ottenere spettri dall'atmosfera di un esopianeta mentre effettua un transito, un processo noto come "spettroscopia di transito". Mentre la luce del sole passa attraverso l'atmosfera dell'esopianeta rispetto all'osservatore, gli astronomi la analizzano con gli spettrometri per determinare quali sostanze chimiche ci sono. Ad esempio, utilizzando la sua ottica sensibile e la suite di spettrometri, il JWST si affiderà a questo metodo per caratterizzare le atmosfere degli esopianeti.