IA de ‘aprendizaje profundo’ analiza con gran éxito la información sobre las furiosas tormentas de Saturno

Resultado de la red neuronal: los colores indican áreas con diferentes parámetros.

IP Waldmann & CA Griffith / Nature Astronomy, 2019

 

Un equipo de astrónomos desarrollo un nuevo algoritmo para procesar datos de la atmósfera de Saturno. La red neuronal puede resaltar con precisión características en la información provista sobre las tormentas furiosas del planeta, distinguiendo la ubicación del fenómeno atmosférico, las regiones circundantes y la atmósfera distante imperturbada. El nuevo enfoque permite analizar grandes volúmenes de datos superando ampliamente la efectividad de los métodos clásicos, celebran los autores en la revista Nature Astronomy.

Las naves espaciales de investigación están equipadas con una gran variedad de herramientas que permiten recopilar amplios conjuntos de datos. En particular, las observaciones espectrales ayudan a descubrir la estructura y composición de la cubierta de nubes de las atmósferas planetarias, así como las partículas suspendidas en ellas. Esta información puede usarse, a su vez, para determinar las características de los flujos de energía a mayor escala en el cuerpo celeste y su dinámica atmosférica.

Generalmente, los métodos de procesamiento actuales se basan en uno de dos enfoques: la determinación de las características espectrales mediante la comparación de los flujos en diferentes canales espectrales; y la construcción de modelos completos de transferencia de radiación. El primero no es lo suficientemente preciso para un análisis detallado, y el segundo es laborioso y no se escala correctamente.

Ahora, Ingo Waldmann de University College London y Caitlin Griffith de University of Arizona, describieron el principio de un nuevo enfoque para el análisis de datos espectroscópicos basado ​​en redes neuronales. El algoritmo utiliza los métodos de aprendizaje profundo de PlanetNet, y es capaz de aislar de forma rápida y precisa los límites espaciales y espectrales en partes grandes y heterogéneas de la atmósfera. Para probar el rendimiento del programa, los científicos analizaron varios fenómenos y tormentas registradas en la atmósfera saturniana por la sonda Cassini durante el 2008.

Un algoritmo "espectracular"

PlanetNet identificó exitosamente una nube inusual en forma de S, que en estudios anteriores se asoció con la presencia de amoníaco en la atmósfera superior (hecho inusual en Saturno). El programa indicó que el evento corresponde a un flujo ascendente mucho mayor de nubes de amoníaco congelado, registrado en la parte central oscura de las tormentas. El algoritmo también encontró una diferencia pronunciada entre las regiones centrales de las tormentas y la atmósfera distante, lo que señala la posibilidad de observar capas más profundas de la envoltura gaseosa en los centros de las tormentas.

Los autores verificaron la precisión del algoritmo utilizando dos métodos. En el primero, se ocultó el 30% de los datos recopilados por el aparato, y el programa logró clasificar correctamente la información previamente desconocida con una precisión del 90%. En el segundo enfoque, los investigadores modificaron significativamente los datos originales al mezclar las coordenadas espaciales de los puntos y al cambiar los espectros de las interpolaciones resultantes de los puntos vecinos. La red neuronal definió correctamente los límites en el 93% de los casos.

“Las misiones como Cassini recopilan enormes cantidades de datos valiosos, pero los enfoques clásicos para analizarlos arrojan fallas en la exactitud de la información o en términos de tiempo empleado. Este nuevo método permite el reconocimiento de patrones en múltiples conjuntos de datos heterogéneos, y nos da la oportunidad de analizar fenómenos atmosféricos en áreas extensas y desde diferentes ángulos, y establecer nuevas interrelaciones entre las características y las propiedades fisicoquímicas que las definen”, confía Waldman.

Los astrónomos están utilizando activamente redes neuronales para acelerar el procesamiento de datos y desarrollar el conocimiento continuo del más allá. En particular, tales algoritmos pueden predecir la probabilidad de vida en planetas fuera del Sistema Solar. Mientras que un equipo analiza el espectro de un exoplaneta potencialmente habitable y lo compara con el espectro de la atmósfera de la Tierra, otro supera cualquier obstáculo gracias al galardonado algoritmo de álgebra lineal KAUST.

 

Sofía Dottori Fontanarrosa
Esta noticia ha sido publicada originalmente en N+1, ciencia que suma.

Sobre N+1: Es la primera revista online de divulgación científica y tecnológica que permite la reproducción total o parcial de sus contenidos por medios de comunicación, bloggers e influencers, realizando la mención del texto y el enlace a la web: “Esta noticia ha sido publicada originalmente en la revista N+1, ciencia que suma: www.nmas1.org”.  

Suscríbete

Déjanos tu mail para recibir nuestro boletín de noticias

La confirmación ha sido enviada a tu correo.