Daftar Isi
Kecerdasan buatan (AI) kini membantu para astronom mencari planet mirip Bumi yang selama ini masih tersembunyi. Berdasarkan studi yang dipublikasikan dalam jurnal Astronomy & Astrophysics, sebuah model machine learning berhasil mengidentifikasi sedikitnya 44 sistem planet yang berpotensi menyimpan planet mirip Bumi yang belum terdeteksi.
Metodologi dan Pengujian Model AI
Model machine learning tersebut dikembangkan oleh para peneliti dari University of Bern bersama National Centre of Competence in Research Planet di Swiss. Studi menunjukkan bahwa model ini mampu mencapai tingkat presisi hingga 99 persen tatkala diuji menggunakan sistem planet hasil simulasi komputer.
Kendati demikian, planet-planet yang diprediksi berada di sekitar bintang sungguhan tersebut masih belum terkonfirmasi melalui pengamatan teleskop. Keberhasilan metode ini pada akhirnya tetap bergantung pada observasi lanjutan di masa mendatang.
Cara Kerja dan Simulasi Sistem Planet
Model AI memanfaatkan susunan planet yang sudah diketahui untuk mencari petunjuk keberadaan benda langit lain yang belum terlihat. Massa serta orbit sebuah planet menyimpan jejak proses pembentukan dan perkembangan seluruh sistem, termasuk planet yang ukurannya terlalu kecil atau terlalu redup untuk dideteksi oleh teleskop.
Planet-planet terbentuk secara bersamaan di dalam piringan gas dan material padat yang mengelilingi sebuah bintang muda. Saat tumbuh, bermigrasi, dan saling berinteraksi, proses tersebut meninggalkan pola tertentu pada massa serta jarak orbit planet.
Jeanne Davoult mengembangkan algoritma machine learning tersebut dalam riset doktoralnya di University of Bern bersama Romain Eltschinger dan Yann Alibert. Para peneliti menemukan bahwa petunjuk terkuat berasal dari arsitektur sistem yang dapat diamati serta massa dan periode orbit planet terdalam yang terdeteksi.
Karena astronom jarang mengetahui seluruh planet yang mengelilingi sebuah bintang dan planet kecil dengan orbit panjang sulit ditemukan, tim peneliti menggunakan Bern Model of Planet Formation and Evolution. Simulasi ini menciptakan puluhan ribu sistem planet sintetis yang mencakup bintang dengan massa setara Matahari, setengah massa Matahari, hingga seperlima massa Matahari.
Simulasi tersebut menghitung proses pertumbuhan, migrasi, interaksi gravitasi selama 20 juta tahun, hingga proses pendinginan, kontraksi, pelepasan atmosfer, dan migrasi pasang surut sampai 10 miliar tahun.
Penerapan Metode Random Forest
Sebelum melatih model, tim peneliti menyembunyikan planet yang pengaruh gravitasinya terhadap bintang berada di bawah ambang deteksi tertentu. Langkah tersebut dilakukan untuk meniru keterbatasan pengamatan menggunakan metode kecepatan radial yang mengukur pergerakan bintang akibat keberadaan planet yang mengorbitnya.
Model ini menggunakan metode random forest yang terdiri dari 500 pohon keputusan, di mana setiap pohon memberikan suara untuk menentukan apakah sebuah sistem memiliki planet mirip Bumi. Sebanyak 80 persen data sintetis dimanfaatkan untuk melatih model, sementara 20 persen sisanya dipakai untuk proses pengujian.
Peneliti memprioritaskan tingkat presisi, yakni seberapa banyak sistem yang benar-benar memiliki planet mirip Bumi dari seluruh sistem yang diklasifikasikan model. Ketika ambang suara dibuat di atas 90 persen, tingkat presisi mencapai 99 persen pada model yang dilatih menggunakan dua populasi bintang berukuran lebih besar, sedangkan model untuk bintang terkecil mencapai presisi 94 persen.
