Un articolo pubblicato sulla rivista “The Astrophysical Journal Letters” descrive lo sviluppo e l’applicazione di algoritmi di apprendimento automatico alla verifica della stabilità di sistemi planetari. Un team di ricercatori dell’Università di Toronto a Scarborough guidato da Dan Tamayo ha sperimentato questo nuovo approccio a questo tipo di ricerca astronomica creando un metodo mille volte più veloce di quelli tradizionali.
Negli ultimi vent’anni lo studio degli esopianeti è diventato un ramo sempre più importante dell’astronomia grazie allo sviluppo di strumenti sempre migliori per scoprirli. Oggi ci sono diversi metodi per identificare esopianeti ma essi ci possono fornire solo informazioni incomplete. Ciò rende la verifica della stabilità dei sistemi planetari che li ospitano molto più complessa a causa delle variabili rimaste.
Anche i supercomputer sono sempre migliori e quindi la loro potenza di calcolo continua ad aumentare ma ci sono problemi scientifici che richiedono comunque lunghi tempi di elaborazione a causa dell’enorme quantità di dati che devono essere considerati. Per fortuna i progressi nel campo dell’informatica riguardano anche il software e i progressi avvenuti nel campo dell’intelligenza artificiale hanno portato tra le altre cose allo sviluppo di algoritmi di apprendimento automatico.
Grandi aziende stanno già utilizzando algoritmi di apprendimento automatico in tanti modi. Google ne ha creati diversi, ad esempio per gestire lo spam di Gmail o per migliorare il suo servizio Traduttore. Il vantaggio di questo tipo di algoritmo è che un sistema che ne implementa uno è in grado di imparare attraverso un addestramento e a partire dai dati che gli vengono forniti è poi in grado di effettuare valutazioni e generare nuovi contenuti senza la necessità di essere programmato ulteriormente.
Nel campo dell’astronomia e in particolare dei sistemi planetari, le simulazioni sono un’applicazione alla meccanica celeste del problema degli n-corpi. Il team di Dan Tamayo ha sviluppato un algoritmo di apprendimento automatico in grado di risolvere quel tipo di problema che è risultato mille volte più veloce rispetto alle simulazioni dirette.
Alcune settimane sono state stato necessarie per addestrare il sistema di apprendimento automatico ma ne è valsa la pena. I risultati mostrano che questo tipo di approccio è utile anche nel campo dell’astronomia, in questo caso nello studio dei sistemi planetari. Capire se sono stabili vuol dire capire meglio i loro meccanismi di formazione e la loro evoluzione. Questi risultati potrebbero aprire la porta ad altri sviluppi di questo tipo.
