ExoLogica AI 2.0: simulador de espectros JWST

ExoLogica AI 2.0: Una tubería astrofísica con síntesis de espectros JWST para exoplanetas

El equipo de ExoLogica AI 2.0 ha desarrollado una tubería astrofísica de 14 etapas para evaluar la habitabilidad de exoplanetas, integrando sin fisuras el aprendizaje automático con modelos físicos basados en primeros principios. El sistema genera espectros sintéticos de transmisión del telescopio espacial James Webb (JWST) y somete rigurosamente sus predicciones a escenarios de cambio de distribución y fuera de distribución (OOD). Un estudio de ablación confirma la superioridad del enfoque híbrido: el error absoluto medio (MAE) desciende de 7,054 M⊕ (línea base puramente física) a 3,998 M⊕ (aprendizaje automático + física).

Validación del modelo: estudio de ablación y pruebas de cambio de distribución

El módulo de validación evalúa el rendimiento de generalización en planetas rocosos (R < 6 R⊕, M < 50 M⊕). Comparación del rendimiento entre métodos:

• Solo física (Chen & Kipping, 2017): MAE = 7,054 M⊕ — ignora efectos atmosféricos e internos no lineales.
• XGBoost puro: MAE = 4,200 M⊕ — produce densidades físicamente implausibles (por ejemplo, >15 g/cm³ en mundos del tamaño de la Tierra).
• Híbrido ML + física con recorte: MAE = 3,998 M⊕ — las priores bayesianas restringen valores atípicos y garantizan coherencia física.

Las pruebas de cambio de distribución según clases espectrales estelares revelan gradientes de robustez:

• Tipo M (enanas rojas): MAE = 3,868 M⊕ — mejor rendimiento, gracias a la alta densidad de datos disponibles.
• Tipo K: MAE = 4,141 M⊕.
• Tipo G: MAE = 5,160 M⊕.
• Tipo F: MAE = 8,039 M⊕ — fallo OOD provocado por la intensa fotorreducción, mal representada en los datos de entrenamiento.

La calibración de incertidumbre alcanza una cobertura del 90,8 % del intervalo de credibilidad al 95 % en los datos de prueba reservados. El «Verificador de Dominio» detecta entradas fuera de distribución mediante umbrales de puntuación Z: periodos orbitales superiores a 100 días reducen automáticamente la puntuación de confianza.

El motor físico de 14 etapas

La tubería simula la estructura interna planetaria, la erosión atmosférica, la protección magnetosférica y la evolución climática. Las etapas clave incluyen:

• Geofísica: La fracción de masa del núcleo (f_core) sigue a Zeng et al. (2016), determinando la viabilidad del dinamo magnético.
• Magnetosfera: Compara la presión del viento estelar (P_sw) con la presión magnética (P_mag) (Vidotto et al., 2015); un radio de magnetopausa R_mp < 1 R_p activa una bandera de erosión atmosférica.
• Erosión gaseosa: Combina escape de Jeans (v_rms > v_esc/6) y fotorreducción hidrodinámica (Owen & Wu, 2017) para H₂, H₂O y CO₂.
• Modelado climático: Aproximación de atmósfera gris con albedo de Bond (A) y profundidad óptica infrarroja (τ_IR); la temperatura superficial (T_surf) se deriva de la temperatura de equilibrio (T_eq).
• Prior bayesiano: La prior de masa se parametriza como M = α R^β 10^{γ [Fe/H]} e^{−δ t}.

El índice CHI (Índice de Habitabilidad Continua) penaliza el bloqueo por marea, la ausencia de magnetosfera y la supresión volcánica. Solo los objetos que superan todos los filtros físicos avanzan a la puntuación de habitabilidad basada en bosques aleatorios.

Un análisis detallado de TOI-700 d ilustra el flujo de trabajo integral: desde los parámetros de entrada (radio planetario y propiedades de la estrella anfitriona) hasta la puntuación final CHI.

Sintetizador de espectros JWST: espectroscopía de transmisión

SpectralEngine genera espectros de transmisión de alta fidelidad (0,6–12 µm) a partir de atmósferas que sobreviven al modelado de erosión. El algoritmo sigue estos pasos:

• Altura de escala: H = k_B T_surf / (μ g).
• Radio frente a longitud de onda: R(λ) calculado usando perfiles gaussianos de líneas de las bases de datos HITRAN/ExoMol.
• Profundidad de tránsito: δ(λ) = [(R_p + z(λ)) / R_*]², expresada en ppm.
• Incorpora ruido instrumental realista (1σ) acorde con las curvas de sensibilidad de NIRSpec y MIRI del JWST.

Los espectros resultantes revelan gases biosignatarios (H₂O, CH₄, CO₂) mediante patrones de desequilibrio químico, emulando fielmente las condiciones observacionales reales para la planificación de misiones y la priorización de objetivos.

Conclusiones clave

• El enfoque híbrido ML+física mejora el MAE un 43 % frente a líneas base puramente empíricas y elimina las «alucinaciones» fuera de distribución.
• El Verificador de Dominio más la cobertura del 90,8 % del intervalo de credibilidad ofrecen predicciones fiables y conscientes de la incertidumbre.
• Las 14 etapas físicas —incluyendo erosión, protección magnetosférica y retroalimentación climática— hacen que el índice CHI sea más predictivo que índices tradicionales como el ESI.
• El sintetizador de espectros JWST produce espectros listos para observación, acelerando la asignación de tiempo en telescopios y el diseño de estrategias de seguimiento.
• Limitaciones: El rendimiento disminuye para estrellas tipo F debido a la escasez de datos sobre fotorreducción —una brecha observacional clave.

— Editorial Team