過去2年半の間に、2つの次世代望遠鏡が宇宙に送られた：NASAのジェイムズ・ウェッブ宇宙望遠鏡（JWST）とESAのユークリッド天文台である。そして今後10年以内に、NASAのナンシー・グレース・ローマン宇宙望遠鏡（RST）、宇宙の歴史、電離の時代、氷の探検のための分光光度計（SPHEREx）、ESAのPLATO（PLAnetary Transits and Oscillations of stars）とARIEL望遠鏡が加わる。これらの天文台は、居住可能な惑星を見つけるという究極の目標に向けて、太陽系外惑星の探索と特性評価を支援するための高度な光学系と観測機器に依存している。
現在も運用されているミッションとともに、これらの天文台は大量の高解像度分光データを収集する。このデータを選別するには、生命や生物学的プロセスの兆候（別名バイオシグネチャー）を探す最先端の機械学習技術が必要になる。フロリダ大学基礎理論研究所（UF-IFL）の科学者チームは、最近の論文の中で、将来の調査では機械学習を使ってスペクトルの異常を探すことを推奨している。
この研究は、Katia Matcheva准教授、物理学専攻の大学院生Roy T. Forestano氏、Konstantin T. Matchev教授、博士課程の学生Eyup B. Unlu氏を含む、物理学者と機械学習の専門家の混合によって実施された。彼らの論文「Searching for Novel Chemistry in Exoplanetary Atmospheres using Machine Learning for Anomaly Detection」のプレプリントが最近オンラインに掲載され、『Astrophysical Journal』誌に掲載されるべく審査中である。彼らの説明によると、この論文の大前提は、何が「生命」を構成するかは科学者にとって未解決の問題であり、探索範囲を拡大することが有益であるということである。
まず最初に、太陽系外惑星の研究がここ数十年でどれほど進歩したかを認識することが重要である。初めて確認されたのは1992年で、地球から2300光年離れたパルサー（PSR B1257+12、別名リヒ）の周囲に2つのスーパーアース（ポルターガイストとフォビター）が観測された。科学者たちは、ほとんどの恒星には惑星系があると固く信じていたが、この発見があるまでは、確たる証拠はなかった。また、2009年にケプラー宇宙望遠鏡が打ち上げられるまでは、太陽系外惑星の発見は年に数個のペースで追加されていた。
それ以来、4,096の系で合計5,496個の太陽系外惑星が確認され、さらに9,820個の候補が確認待ちとなっている。近年、このプロセスは発見から特徴づけへと移行し、装置や手法の改善により、天文学者は太陽系外惑星の大気を直接分析し、ハビタビリティの可能性を測定することができるようになった。Matcheva教授はUniverse Todayに以下のように電子メールで説明してくれた：
より優れたスペクトル分解能、卓越した信号対雑音レベル、より広い波長範囲。いくつかの太陽系外惑星の優れた分光観測を行ったJWSTに加え、ESAは1000個の惑星を観測する太陽系外惑星専用宇宙望遠鏡ARIELを計画している。このデータを分析することで、科学者たちは長い間忙しくなるでしょう。
Matcheva氏によれば、太陽系外惑星研究と宇宙生物学の分野は、その可能性の大きさゆえに信じられないほど魅力的だという。現在、この分野では、生命や有機的プロセスの証拠であるバイオシグネチャーの探索を目標に、「ハビタビリティ」を制約することに主眼が置かれている。生命が存在することがわかっている唯一の惑星である地球をテンプレートとして、最も強く求められているバイオシグネチャーは、窒素ガス（N2）、酸素ガス（O2）、二酸化炭素（CO2）、メタン（CH4）、アンモニア（NH3）、水（H2O）である。
これは、科学者が地上の基準に適合する生命体を探す「低空飛行の果実アプローチ」を構成している。これは偶然ではなく、怠惰なアプローチでもない。私たちがまったく知らない生命の兆候を探すのは非常に難しいからだ。しかし、これは可能性を熟考し、我々が知っていることの範囲を広げる機会でもある。「私たちは何を探せばいいのでしょうか？どこを探せばいいのでしょうか？見かけたらわかるでしょうか？太陽系外惑星科学のコミュニティは、常にこのような問いを念頭に置いて活動しています」と、Matcheva氏は付け加えた。
Matcheva氏らは、トランジットスペクトルの “異常”を探すために、機械学習をどのように学習させるかを研究した。トランジットスペクトルとは、遠方の恒星を観測して得られる光度曲線のことで、観測者に対して恒星の前を通過する惑星の存在を示す可能性がある。これはトランジット分光法（またはトランシット法）として知られており、太陽系外惑星を検出するための最も効果的で広く使われている方法である。この方法では、検出だけでなく、惑星の大気を通過する光を観測することもできる。
分光計で測定すれば、大気の化学組成に関するデータが得られ、その中には生命徴候が含まれている可能性がある！今後数年間で、次世代望遠鏡と機械学習（ML）の組み合わせにより、天文学者は太陽系外惑星の潜在的なハビタビリティをより正確に判断できるようになるだろう。「天体物理学におけるML手法は、スピード、量、方法論において、データ処理方法を大きく変えると信じています。そして、我々は科学のすべての分野にわたってそれが起こるのを見ているのです」と、Matcheva氏。
Matcheva氏と彼女のチームは、合成スペクトルの大規模な公開データベースを分析するために、局所外れ値因子（LOF）と1クラスサポートベクターマシン（OCSVM）という2つの一般的な異常検出機械学習手法を使用した。このデータベースは、ESAのARIEL科学チームによって、ミッション（2029年に打ち上げ予定）を見越して開発されたもので、太陽系外惑星の100,000以上のコンピュータ生成スペクトル信号が含まれている。チームはまた、受信者動作特性（ROC）曲線を用いて、2つのML手法の性能を定量化し、比較した。その過程と結果は、Matcheva氏が語ったように、どちらも魅力的なものだった：
スペクトルは、各惑星の大気が5つの異なる割合のガスの混合物であると仮定し、現在のモデルで計算されました。実験として、吸収体の1つ（例えばH2O）を “謎の”吸収体として扱いました。H2Oが欠乏しているデータのサブセットでMLアルゴリズムを訓練し、水がある惑星に異常のフラグを正しく立てるかどうかをテストしました。
我々は4つのガスについて実験を繰り返しました。LOFとOCSVMの両方を使いましたが、どちらの手法も、ノイズがない、あるいはごくわずかなノイズ（～10ppm）であれば、ごく少量の “謎の”ガスであっても、異常な惑星を見つけるのに優れた仕事をしたのです。当然のことながら、MLモデルはノイズレベルが大きくなりすぎると間違いを犯し始めますが。
Matcheva氏が指摘したように、彼らの論文は、LOFとOCSVM法が信号ノイズの存在下でも非常に頑健であることを実証した。これらの結果は、文字通り何千もの太陽系外惑星を、追跡調査のために異常な惑星を特定するために、ML法を用いて迅速かつ系統的に分析することができる、近い将来に可能となる可能性の一端を示すものである。理論モデルと観測の間の矛盾は、しばしば最もエキサイティングな発見がなされる方法であることを考えると、これらの検証はおそらく非常に勉強になるだろう。
バイオシグネチャーを探すことは、この論文の主な目的ではありませんが、非常に興味深い結果であり、この方法の可能性に非常に興奮しています。宇宙で生命の痕跡を探すのは、決定的な証拠を探すというよりは、干し草の山の中から針を探すようなものです。針がどのような形をしているのか分からないので、実際はもっと難しいのです。新奇性検出の方法は、まさにそのために設計されているのです。“見た目も匂いも音もわからない”稀な事象のために。
先に述べたように、地球外生命体の探索、そして実際に地球外知的生命体の探索（SETI）は、”我々が知っている”生命体の探索として要約できる。しかし、もし生命が宇宙において非常に稀な存在であったり、非常に “エキゾチック”な性質（つまり、あらゆる種類の化学物質や条件から発生する可能性がある）を持っているのであれば、より広い網を張ることは理にかなっている。結局のところ、われわれの参照枠が宇宙生物学的努力の妨げになっているのであれば（確かにそのように主張することもできる）、それを広げることが、われわれだけではないという証拠を見つけるか、それとも別の世代までこの疑問を解決しないままにしておくかの分かれ目になるかもしれない。Matcheva氏は言う：
宇宙生物学のコミュニティは、長い間 “生命 “の定義に取り組んできました。私たちは人間の経験に偏っており、現在の戦略は“ハビタブルゾーン”で生命を探すことです。では、生命がどのような姿をしているのか分からないのに、どうやって生命を探すのか？そこで新奇性検出の機械学習技術の出番となる。機械学習技術は、学習データと矛盾する、つまり現在の理論モデルと一致しないデータポイントにフラグを立てることができる。その意味で、私たちの方法は”私たちが知らない”生命を探すことになる。
Isaac Asimovの有名な言葉に、「科学で最もエキサイティングなフレーズ、新しい発見を告げるフレーズは、”ユーレカ！”ではなく “面白い”だ」というものがある。
論文
研究の要旨
次世代の望遠鏡は、何千もの太陽系外惑星に関する高解像度の分光データの利用可能性を大幅に増大させる。膨大なデータ量と分析すべき惑星の数は、再観測と詳細な分析のために興味深い惑星にフラグを立てるための、新しい、高速で効率的な手法の開発を大いに動機付ける。我々は、異常（新規性）検出のための機械学習（ML）技術を太陽系外惑星のトランジットスペクトルに適用することを提唱している。我々は、合成スペクトルの大規模な公開データベースを用いて、2つの一般的な異常検出手法（局所外れ値因子と1クラスサポートベクターマシン）の実行可能性を実証することに成功した。それぞれ異なるレベルの機器ノイズを持ついくつかのテストケースを検討した。それぞれのケースにおいて、ROC曲線を用いて2つのML手法の性能を定量化し、比較する。
この記事は、MATT WILLIAMS氏によって執筆され、Universe Todayに掲載されたものを、クリエイティブ・コモンズ・ライセンス（表示4.0 国際）に則り、翻訳・転載したものです。元記事はこちらからお読み頂けます。
コメントを残す