ఎగ్జోప్లానెట్ శాస్త్రాన్ని మళ్లీ రూపకల్పన చేయగల అభ్యర్థుల సమాహారం
ఒకేసారి నివేదించబడిన అతిపెద్ద సాధ్యమైన ఎగ్జోప్లానెట్ సమాహారాల్లో ఒకటిని ఖగోళ శాస్త్రవేత్తలు గుర్తించి ఉండవచ్చు. అందించిన మూల పదార్థంలో వివరించిన కొత్త ప్రీప్రింట్ ప్రకారం, NASA యొక్క Transiting Exoplanet Survey Satellite, లేదా TESS, గమనించిన 83,717,159 నక్షత్రాల లైట్ కర్వ్లపై మెషీన్-లెర్నింగ్ అల్గోరిథాన్ని వర్తింపజేసి పరిశోధకులు 11,554 ఎగ్జోప్లానెట్ అభ్యర్థులను కనుగొన్నారు.
ఆ అభ్యర్థులు నిర్ధారితమైతే, సౌరవ్యవస్థకు బయట తెలిసిన ప్రపంచాల సంఖ్యలో ఇది అసాధారణమైన పెరుగుదలగా నిలుస్తుంది. మూల పాఠ్యంలో 2025 సెప్టెంబర్ నాటికి 6,000కు పైగా ఎగ్జోప్లానెట్లు నిర్ధారించబడ్డాయని, ఆ తర్వాత దాదాపు 300 చేర్చబడ్డాయని పేర్కొంది. ఈ స్థాయిలో ధృవీకరించిన సమాహారం మొత్తం సంఖ్యను 18,000కు దగ్గరగా తీసుకెళ్తుంది, అంటే ప్రస్తుతం ఉన్న సంఖ్య దాదాపు మూడు రెట్లు అవుతుంది.
ఆ శీర్షిక సంఖ్యే ఈ ప్రకటనపై దృష్టి పెట్టడానికీ, జాగ్రత్త వహించడానికీ కారణం. నివేదించిన అభ్యర్థులు ఇంకా నిర్ధారిత గ్రహాలు కావు, అలాగే అధ్యయనం సహచర సమీక్షకు కూడా వెళ్లలేదు. అయినప్పటికీ, అభ్యర్థి దశలోనే ఈ పని ఇప్పటికే ఉన్న ఖగోళ డేటాలో ఎంత discovery potential ఇంకా దాగి ఉందో చూపిస్తుంది.
ఇన్ని ప్రపంచాలు ఎందుకు తప్పిపోయి ఉండవచ్చు
ఈ శోధన వెనుక ఉన్న ప్రాథమిక విధానం ఎగ్జోప్లానెట్ పరిశోధకులకు సుపరిచితమే. TESS, భూమి నుండి చూస్తే ఒక గ్రహం తన హోస్ట్ నక్షత్రం ముందు నుండి వెళ్లినప్పుడు ఏర్పడే కాంతి తగ్గుదలలను గమనిస్తుంది. ఈ సంఘటనలను transits అంటారు. సవాలు పరిమాణంలో ఉంది. డేటా సమాహారం పది మిలియన్ల నక్షత్రాలకు చేరుకున్నప్పుడు, మసకబారిన, శబ్దభరితమైన, సందిగ్ధ సంకేతాల సంఖ్య సంప్రదాయ పనితీరులు సమర్థవంతంగా పరిశీలించలేని స్థాయికి చేరుతుంది.
అక్కడే కొత్త అల్గోరిథం తన అతిపెద్ద పాత్ర పోషించినట్లు కనిపిస్తోంది. 8 కోట్లకు పైగా నక్షత్రాలను స్కాన్ చేయడం ద్వారా, సాధారణంగా పట్టుకోవడం దాదాపు అసాధ్యమైన సూక్ష్మ సంకేతాలను అది గుర్తించినట్లు నివేదించబడింది. ఖగోళ శాస్త్రంలో కనుగొనడం ఇకపై పెద్ద టెలిస్కోపులు నిర్మించడంపై మాత్రమే ఆధారపడదని ఇది గుర్తు చేస్తుంది. టెలిస్కోపులు ఇప్పటికే సేకరించిన డేటా నుంచి మరింత సంకేతాన్ని వెలికితీయడంపైనా అది ఆధారపడి ఉంటుంది.
2018లో ప్రారంభించిన TESS, ఈ రకమైన పెద్ద-స్థాయి అన్వేషణకు ప్రత్యేకంగా అనుకూలం, ఎందుకంటే ఇది అపారమైన పునరావృత నక్షత్ర పరిశీలనల ఆర్కైవ్ను రూపొందించింది. ప్రతి లైట్ కర్వ్ కాలక్రమంలో ప్రకాశ మార్పుల రికార్డు. ఆ కర్వ్లలో కక్ష్యలో ఉన్న గ్రహాల వల్ల ఏర్పడే క్రమమైన తగ్గుదలలు మాత్రమే కాకుండా, నక్షత్ర కార్యకలాపం, పరికరాల ప్రభావాలు, ఇతర ఖగోళ ప్రభావాల నుండి వచ్చే శబ్దం కూడా దాగి ఉండవచ్చు. మెషీన్ లెర్నింగ్ ఈ సంక్లిష్టతను పెద్ద స్థాయిలో వడపోసుకునే మార్గాన్ని అందిస్తుంది.
