Genombrott inom exoplanetforskningen: 44 nya kandidater för jordliknande världar

Ett forskarteam från University of Bern och National Center of Competence in Research PlanetS har uppnått en viktig milstolpe i sökandet efter beboeliga planeter. Som meddelades den 9 april 2025 utvecklade teamet en maskininlärningsmodell som kan peka ut planetsystem som sannolikt innehåller jordliknande exoplaneter med anmärkningsvärd noggrannhet. Detta genombrott främjar inte bara jakten på potentiellt beboeliga världar utan utgör också ett lovande steg mot upptäckten av utomjordiskt liv.

AI-modellen utvecklades under ledning av Dr. Jeanne Davoult som en del av hennes doktorandforskning vid universitetet i Bern, med stöd av Prof. Dr. Yann Alibert och Romain Eltschinger från Center for Space and Habitability (CSH). Den tränades med hjälp av syntetiska data som genererats av den berömda "Bern Model of Planet Formation and Evolution", som simulerar de fysiska processer som ligger bakom bildandet av planetsystem. Resultatet är slående: med en rapporterad noggrannhet på 99% lyckades modellen framgångsrikt identifiera system som med stor sannolikhet innehåller minst en jordliknande planet.

Verklig tillämpning på planetsystem

Efter träning tillämpades modellen på verkliga observationsdata och identifierade 44 planetsystem som potentiellt skulle kunna hysa tidigare okända jordliknande planeter. Dessa resultat är särskilt betydelsefulla för kommande rymduppdrag som ESA:s PLATO och det föreslagna LIFE projekt, som båda syftar till att upptäcka och karakterisera jordliknande världar.

PLATO (PLAnetary Transits and Oscillations of stars), som ska skjutas upp 2026, kommer att använda transitmetoden och asteroseismologi för att upptäcka potentiellt beboeliga exoplaneter, med fokus på dem som kretsar kring solliknande stjärnor. De mest lovande kandidaterna som identifieras av PLATO kommer att ligga till grund för framtida uppdrag som LIFE (Large Interferometer For Exoplanets), som syftar till att analysera atmosfärerna hos avlägsna planeter med hjälp av infraröd spektroskopi och nulling-interferometri för att söka efter biosignaturer som vatten eller metan. Den nya maskininlärningsmodellen skulle kunna spela en nyckelroll när det gäller att välja ut de mest lovande målen och därmed öka effektiviteten och framgångarna för dessa uppdrag.