Una red neuronal limpia el ruido de la estrella en la búsqueda de mundos lejanos exprés
Durante seis años seguidos, el telescopio HARPS-N en la isla de La Palma observó al Sol como si fuera una estrella extraña: tomó espectros, vigiló el brillo y registró cada temblor de las líneas. Todo esto es necesario para entender cómo distinguir el débil bamboleo de una estrella de la verdadera señal de un planeta.
La estrella no se queda quieta: su superficie hierve como una olla de sopa. Emergen burbujas calientes, aparecen manchas y el campo magnético cambia. Todo esto desplaza ligeramente las líneas del espectro y se asemeja a un suave vaivén, similar al que causa un planeta. Antes, los astrónomos intentaban restar este 'ruido estelar' manualmente, pero es demasiado complejo e irregular.
La red neuronal se ha encargado de este trabajo. Se entrenó con seis años de datos solares, indicándole qué cambios de brillo, campo magnético y forma de las líneas espectrales están relacionados con la ebullición de la superficie. Resultó que no todas las pistas son igualmente útiles. Por ejemplo, la inclinación de la línea o el ancho de la banda de sodio apenas ayudan. En cambio, el flujo magnético, el brillo total y su tasa de cambio, así como la forma de la línea del hidrógeno, ayudan mucho.
Queda un poco menos de un metro por segundo, y parece ser ese límite que crean las gigantescas células convectivas del Sol, del tamaño de continentes enteros. Para detectar un planeta como la Tierra, hay que eliminar también ese ruido. Así que la próxima vez la red neuronal aprenderá de huellas aún más sutiles de la ebullición.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2602.17760
The measurement of exoplanet masses using the radial velocity (RV) technique is currently limited by stellar activity, which introduces quasiperiodic variability signals that must be modeled and removed to enhance the sensitivity of the RV measurements to exoplanet signals. Neural networks have previously been demonstrated effective in modeling stellar activity signals in HARPS-N solar data using white light cross correlation functions (CCFs). Building on this work, we train a neural network on six years of HARPS-N solar data with additional parameters commonly associated to stellar activity, including chromatic CCFs, line shape metrics, spectral activity indicators, total solar irradiance (TSI) light curves from SORCE and TSIS-1, and TSI time derivatives. Our results show that parameters such as the bisector inverse slope and Na D equivalent widths do not significantly improve the neural network's ability to predict activity-induced RV variations compared to using the white light CCFs alone. However, parameters such as unsigned magnetic flux, the TSI and its time derivative, S-index, H-alpha equivalent width, chromatic CCFs, contrast, and full width at half maximum do improve the neural network's ability to predict RV scatter. Our new model reduces the RV scatter in a held-out test set from 147.1 cm/s to 93.3 cm/s, consistent with supergranulation noise levels reported in previous studies. These results suggest that finding effective tracers for (super)granulation will be critical to train models capable of further mitigating RV jitter, and necessary for characterizing Earth analogues.
La velocidad de 93 centímetros por segundo es más lenta que el avance de un caracol de jardín (alrededor de 1,5 cm/s, pero el caracol no puede mantener esa velocidad por mucho tiempo, mientras que la estrella 'tiembla' continuamente).
En la película 'Interstellar', los héroes buscan planetas alrededor de un agujero negro, pero incluso alrededor de una estrella tranquila como el Sol, el ruido propio impide notar la Tierra; ahora una red neuronal ayuda a 'escuchar' la señal silenciosa.