Astrónomos de la Universidad de Warwick, en el Reino Unido, lograron validar 118 exoplanetas fuera del sistema solar con la ayuda de inteligencia artificial aplicada a los datos del satélite TESS de la NASA.

El hallazgo, difundido por la revista Monthly Notices of the Royal Astronomical Society, representa uno de los mayores avances en la búsqueda y caracterización de exoplanetas de órbita cercana y aporta herramientas para acelerar la selección de sistemas prometedores en futuras investigaciones.

El programa de inteligencia artificial, denominado RAVEN, permitió analizar de manera sistemática observaciones de más de 2,2 millones de estrellas recopiladas por la misión TESS durante sus primeros cuatro años de operación.

Según los responsables del hallazgo, la aplicación de esta tecnología significó la validación de 118 planetas, 31 de ellos nunca detectados previamente y cerca de 2.000 candidatos adicionales que podrían ampliar de forma considerable el catálogo actual, que ya supera los 6.000 exoplanetas confirmados.

“Esto representa una de las muestras mejor caracterizadas de planetas cercanos a la Tierra y nos ayudará a identificar los sistemas más prometedores para futuros estudios”, señaló Marina Lafarga Magro, líder del equipo, según el comunicado de la Universidad de Warwick.

La búsqueda de exoplanetas depende de la capacidad de detectar pequeñas disminuciones en la luz estelar, un fenómeno conocido como tránsito, que ocurre cuando un planeta pasa frente a su estrella anfitriona. El proceso implica distinguir entre señales auténticas y fenómenos que pueden simular un tránsito, como estrellas binarias en eclipse.

“El reto consiste en determinar si el oscurecimiento se debe realmente a un planeta en órbita alrededor de la estrella o a otra cosa, como estrellas binarias eclipsantes, que es lo que RAVEN intenta responder”, explicó Andreas Hadjigeorghiou, principal desarrollador del sistema, en declaraciones recogidas por la universidad.

RAVEN se entrenó con cientos de miles de planetas simulados y otros fenómenos astrofísicos que pueden confundirse visualmente con exoplanetas.

Este aprendizaje automático permitió a la herramienta identificar patrones complejos y reducir de manera significativa los falsos positivos, brindando mayor precisión que los métodos tradicionales y permitiendo validar señales que antes quedaban sin confirmar.

Un avance en la clasificación y el conocimiento de nuevas poblaciones planetarias

La validación de más de un centenar de nuevos exoplanetas no solo amplía el inventario de mundos conocidos, sino que también aporta información inédita sobre la distribución y frecuencia de diferentes tipos de planetas alrededor de estrellas similares al Sol.

Según datos publicados por la Universidad de Warwick, cerca del 10 por ciento de las estrellas tipo solar analizadas por TESS albergan planetas cercanos, un valor que coincide con lo observado por la misión Kepler pero que ahora cuenta con menor margen de error, gracias a la capacidad de procesamiento de la inteligencia artificial.

Entre los hallazgos figura la identificación de planetas de período ultracorto, que completan una órbita alrededor de su estrella en menos de 24 horas, y de nuevos sistemas multiplanetarios, incluso con pares planetarios desconocidos hasta el momento.

También se logró cuantificar con precisión la densidad de planetas en la región conocida como “desierto neptuniano”, una zona del espacio donde la presencia de cuerpos del tamaño de Neptuno es inusualmente baja.

“Por primera vez, podemos cuantificar con precisión cuán vacío está este ‘desierto’”, declaró Kaiming Cui, líder del equipo dedicado al estudio de este fenómeno, citado en el comunicado de Warwick. El análisis concluyó que solo el 0,08 por ciento de las estrellas similares al Sol albergan planetas de este tipo, un dato que ayuda a refinar los modelos de formación y evolución planetaria.

La herramienta RAVEN, además, está diseñada para gestionar todo el proceso, desde la detección de la señal hasta su verificación y validación estadística, lo que representa una ventaja sobre otros sistemas que solo cubren etapas parciales del flujo de trabajo.

Esto facilita la comparación de grandes volúmenes de datos de manera uniforme y objetiva, permitiendo construir muestras robustas y confiables para estudios poblacionales.