एक्सोप्लॅनेट विज्ञानाला नव्याने घडवू शकणारा उमेदवारांचा साठा
खगोलशास्त्रज्ञांनी एकाच वेळी जाहीर झालेल्या संभाव्य एक्सोप्लॅनेटच्या सर्वात मोठ्या गटांपैकी एक ओळखला असू शकतो. दिलेल्या स्रोत सामग्रीत वर्णन केलेल्या नव्या प्रीप्रिंटनुसार, NASA च्या Transiting Exoplanet Survey Satellite, किंवा TESS, ने निरीक्षण केलेल्या 83,717,159 तार्यांच्या लाईट कर्व्हवर मशीन-लर्निंग अल्गोरिदम लागू करून संशोधकांनी 11,554 एक्सोप्लॅनेट उमेदवार शोधले.
जर त्या उमेदवारांची पुष्टी झाली, तर सौरमालेपलीकडील ज्ञात जगांच्या संख्येत हा असामान्य झेप ठरेल. स्रोत मजकुरानुसार, सप्टेंबर 2025 पर्यंत 6,000 पेक्षा अधिक एक्सोप्लॅनेटची पुष्टी झाली होती, आणि त्यानंतर जवळपास 300 जोडले गेले. या प्रमाणात सत्यापित झालेला साठा एकूण संख्या 18,000 च्या जवळ नेईल, म्हणजेच सध्याची संख्या जवळपास तिप्पट होईल.
हीच मथळ्यातील संख्या या घोषणेला लक्ष देण्यास आणि सावध राहण्यास भाग पाडते. जाहीर झालेले उमेदवार अद्याप निश्चित ग्रह नाहीत, आणि हा अभ्यास अद्याप समकक्ष-पुनरावलोकित झालेला नाही. तरीही, उमेदवार टप्प्यावरसुद्धा हे काम विद्यमान खगोलशास्त्रीय डेटामध्ये अजून किती शोधक्षमता दडलेली आहे हे दाखवते.
इतकी अनेक जगं का नजरेतून सुटली असावीत
या शोधामागील मूलभूत पद्धत एक्सोप्लॅनेट संशोधकांना परिचित आहे. TESS पृथ्वीवरून पाहताना एखादा ग्रह आपल्या यजमान तार्यासमोरून जाताना होणारी प्रकाशातील सूक्ष्म घट पाहते. अशा घटनांना ट्रान्झिट म्हणतात. आव्हान प्रमाणाचे आहे. डेटा लाखो तार्यांपर्यंत वाढला की मंद, गोंगाटयुक्त, संदिग्ध संकेतांची संख्या पारंपरिक कार्यप्रवाहांना कार्यक्षमतेने तपासणे अशक्य होईल इतकी वाढते.
नव्या अल्गोरिदमचा सर्वात मोठा वाटा इथे दिसतो. 8 कोटींपेक्षा अधिक तार्यांचे स्कॅन करून त्याने असे सूक्ष्म संकेत नोंदवले, जे अन्यथा पकडणे जवळपास अशक्य झाले असते. हे आठवण करून देते की खगोलशास्त्रातील शोध आता फक्त मोठे दुर्बीण बांधण्यावर अवलंबून नाही. दुर्बिणी जे डेटा आधीच गोळा करतात, त्यातून अधिक सिग्नल काढण्यावरही ते अवलंबून आहे.
2018 मध्ये प्रक्षेपित TESS अशा मोठ्या प्रमाणावर शोधासाठी विशेषतः योग्य आहे, कारण त्याने ताऱ्यांच्या प्रचंड संख्येतील पुनरावृत्त निरीक्षणांचा अभिलेख तयार केला आहे. प्रत्येक लाईट कर्व्ह म्हणजे कालांतराने झालेल्या चमक बदलांचा नोंदवही. त्या कर्व्हमध्ये कक्षेत फिरणाऱ्या ग्रहांनी निर्माण केलेल्या नियमित घसरणी दडलेल्या असू शकतात, पण त्याचबरोबर तारकीय क्रियाशीलता, उपकरणांचे परिणाम आणि इतर खगोलीय प्रभावांमधला गोंगाटही असतो. मशीन लर्निंग या गुंतागुंतीतून मोठ्या प्रमाणावर छाननी करण्याचा मार्ग देते.
