Zespół astrofizyków kierowany przez Joshuę T. Rotha z Uniwersytetu Princeton przeczesał 83,7 miliona krzywych blasku zebranych podczas pierwszego roku pracy kosmicznego teleskopu TESS i wyłowił z nich 10 091 nowych kandydatek na planety pozasłoneczne. To wynik, który ponad dwukrotnie powiększa dotychczasowy katalog kandydatek z tej misji.
Kluczowe fakty:
- Zespół astrofizyków z Uniwersytetu Princeton przeanalizował 83,7 miliona krzywych blasku z pierwszego roku pracy teleskopu TESS i zidentyfikował 10 091 nowych kandydatek na planety pozasłoneczne, ponad dwukrotnie powiększając dotychczasowy katalog misji.
- W odróżnieniu od wcześniejszych przeglądów ograniczonych do gwiazd jaśniejszych niż T = 13,5 magnitudo, projekt T16 objął gwiazdy do jasności T = 16, co pozwoliło przeszukać znacznie większą objętość Galaktyki.
- Praca została przyjęta do druku w The Astrophysical Journal Supplement Series i podpisało się pod nią piętnaścioro badaczy z instytucji takich jak Princeton, UCLA, MIT oraz Carnegie Science Observatories.
Praca nosi tytuł „The T16 Planet Hunt: 10,000 New Planet Candidates from TESS Cycle 1 and the Confirmation of a Hot Jupiter Around TIC 183374187″, trafiła do repozytorium arXiv 20 kwietnia 2026 roku i została przyjęta do druku w The Astrophysical Journal Supplement Series. Pod artykułem podpisało się piętnaścioro badaczy z Princeton, UCLA, MIT, Carnegie Science Observatories, Carnegie Earth and Planets Laboratory, Obserwatorium Las Campanas w Chile oraz Universidad de Concepción.
Liczby robią wrażenie same z siebie. Ale mnie w tej historii interesuje coś innego: to jest jeden z niewielu przypadków, w których da się dokładnie policzyć, ile czasu ludzkiej pracy zaoszczędził model uczenia maszynowego.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Osiemdziesiąt milionów krzywych blasku i jedno wąskie gardło
Projekt T16 wyprodukował 83 717 159 odszumionych krzywych blasku dla 54 401 549 gwiazd obserwowanych przez TESS w pierwszym cyklu misji, do jasności T = 16 magnitudo. Dla porównania: większość wcześniejszych przeglądów tranzytowych z danych TESS ograniczała się do gwiazd jaśniejszych niż T = 13,5, bo takie łatwiej potem potwierdzić naziemnymi obserwacjami spektroskopowymi.
Problem w tym, że przeglądy tranzytowe są ograniczone stosunkiem sygnału do szumu, a nie jasnością obiektu. Gorący jowisz przechodzący przed tarczą słabej gwiazdy nadal daje wyraźny spadek jasności. Odcinając słabe gwiazdy, astronomowie odcinali sobie ogromną część przeszukiwanej objętości Galaktyki.
Zespół Rotha ten limit zdjął. I natychmiast zderzył się z konsekwencją: nikt nie jest w stanie ręcznie obejrzeć osiemdziesięciu milionów wykresów.
Dlaczego las losowy, a nie sieć neuronowa
Potok przetwarzania danych wygląda tak:
- CETRA (Cambridge Exoplanet Transit Recovery Algorithm) przeszukuje każdą krzywą blasku pod kątem tranzytów. Działa na GPU, co daje mu przewagę prędkości nad klasycznymi metodami typu Box Least Squares
- VARTOOLS liczy 87 parametrów statystycznych dla każdego wykrycia, z czego po odsianiu zostaje 53 cechy uzupełnione o temperaturę efektywną i jasność gwiazdy z katalogu Gaia DR3
- Dwa klasyfikatory Random Forest ze scikit-learn rozdzielają sygnały na trzy klasy: brak detekcji, gwiazdy zaćmieniowe i tranzyty planetarne
- Drugi przebieg klasyfikatora imituje ocenę człowieka, wytrenowany na około 4500 ręcznie sklasyfikowanych kandydatkach
- Ręczna weryfikacja każdej pozostałej kandydatki przez co najmniej jednego członka zespołu
Zespół świadomie odrzucił głębokie sieci neuronowe na rzecz lasów losowych. Powód jest praktyczny: przy milionach krzywych blasku liczy się koszt obliczeniowy, a Random Forest daje przy okazji miarę ważności cech, czyli pozwala zrozumieć, na czym model właściwie opiera decyzję. Autorzy podają, że najważniejszą cechą okazał się stosunek sygnału do szumu różowego głównego piku zwróconego przez CETRA.
Model osiągnął ważoną średnią f1 na poziomie 0,91, a pole pod krzywą ROC wyniosło 0,99 dla braku detekcji i 0,98 dla tranzytów i gwiazd zaćmieniowych. Klasyfikator bazowy poprawnie rozpoznał 87 procent tranzytów z próbki testowej, a osobny model wytrenowany wyłącznie na słabych gwiazdach (T ≥ 14,5) poradził sobie jeszcze lepiej, z wynikiem 93 procent.
Efekt netto? Roth podał go w rozmowie z magazynem Forbes wprost: uczenie maszynowe zredukowało pulę z 80 milionów krzywych blasku do około 2,5 miliona. Ręczna weryfikacja 50 tysięcy kandydatek zajęła zespołowi mniej więcej sześć tygodni skupionej pracy. Bez filtra trzeba by przejrzeć trzydzieści dwa razy więcej materiału, czyli około 192 tygodni. Ponad trzy i pół roku.
„Można spokojnie powiedzieć, że to poszukiwanie nie byłoby możliwe bez etapu uczenia maszynowego” / „this search would not have been possible without the machine learning step” powiedział Roth.
Lubię takie historie, bo są odtrutką na dwa równie męczące skrajności w dyskusji o AI. Z jednej strony mamy narrację o sztucznej inteligencji, która sama dokonuje odkryć naukowych. Z drugiej sceptyków twierdzących, że to wszystko generator tekstu bez zastosowań. Tymczasem tutaj widać rzecz prozaiczną i naprawdę użyteczną: model odsiał 97 procent szumu, a decyzję o tym, co jest planetą, i tak podjął człowiek patrzący na wykres. Każda z 11 554 opublikowanych kandydatek przeszła przez oczy przynajmniej jednego weryfikatora.
Zwracam też uwagę na wybór narzędzia. Zespół z Princeton mógł sięgnąć po transformery, bo takie prace w astronomii tranzytowej już powstają. Wybrał las losowy z 2001 roku, bo był tańszy obliczeniowo i dawał się zinterpretować. To jest dojrzała inżynieria, a nie pogoń za najnowszą architekturą. W polskich firmach obserwuję odwrotny odruch: zaczyna się od pytania „jakiego LLM-a użyjemy”, zamiast od pytania „jaki jest najprostszy model, który rozwiąże ten problem”.
Otwarte pytanie mam jedno. Skoro klasyfikator odrzucił 77,5 miliona krzywych blasku, to ile prawdziwych tranzytów zostało w tym stosie? Autorzy przyznają, że ich model gubi około 5,7 procent tranzytów w próbce testowej. Przy tej skali to nie jest błąd zaokrąglenia.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Jedna potwierdzona planeta jako dowód, że potok działa
Katalog kandydatek to jeszcze nie katalog planet. Dlatego zespół wziął jeden obiekt z listy, TIC 183374187, i przepuścił go przez pomiary prędkości radialnych spektrografem PFS na 6,5-metrowym teleskopie Magellan w Obserwatorium Las Campanas w Chile.
Sygnał okazał się prawdziwy. To gorący jowisz krążący wokół ubogiej w metale gwiazdy grubego dysku Galaktyki, czyli obiektu należącego do starszej populacji gwiezdnej. Jedna potwierdzona planeta na ponad jedenaście tysięcy kandydatek brzmi skromnie, ale w tej dziedzinie tak właśnie wygląda dowód, że metoda nie produkuje samych artefaktów.
Rozkład typów planetarnych w próbce Roth opisał w rozmowie z Forbesem: gazowe olbrzymy odpowiadają za ponad dziewięć tysięcy odkryć, dalej jest ponad sto obiektów wielkości Neptuna i zaledwie jedenaście potencjalnych superziemi. Metoda tranzytów z natury faworyzuje duże planety na ciasnych orbitach, więc taka proporcja nikogo nie dziwi.
Skala jest jednak bezprecedensowa. Do 12 marca 2026 roku TESS dostarczył blisko 8000 kandydatek, z czego 760 zostało potwierdzonych. Sama metoda tranzytów odpowiada za około trzy czwarte wszystkich potwierdzonych egzoplanet. Jedna praca z Princeton dokłada do tego bilansu więcej, niż misja zebrała przez siedem lat.
Co to oznacza dla polskiego czytelnika
Polska ma w tej dziedzinie dorobek, o którym warto pamiętać w kontekście tej pracy, i nie chodzi tylko o Aleksandra Wolszczana i pulsar PSR B1257+12 z 1992 roku.
Pierwszą planetą pozasłoneczną odkrytą metodą tranzytów była OGLE-TR-56b, znaleziona przez zespół projektu OGLE prowadzonego przez profesora Andrzeja Udalskiego z Obserwatorium Astronomicznego Uniwersytetu Warszawskiego. Ogłoszenie nastąpiło w 2002 roku, potwierdzenie spektroskopowe rok później, a autorem pomiarów prędkości radialnych był Maciej Konacki. OGLE robił dokładnie to, co dziś robi zespół Rotha: przeglądał ogromne ilości zdjęć fotometrycznych w poszukiwaniu maleńkich spadków jasności. Tylko bez GPU i bez klasyfikatorów.
I tu jest rzecz, którą uważam za praktyczną lekcję dla polskich zespołów badawczych i firm technologicznych. Przewaga zespołu z Princeton nie polega na dostępie do unikalnych danych, bo dane z TESS są publiczne. Polega na zbudowaniu potoku, który potrafi te dane przetworzyć w rozsądnym czasie. Cała reszta to sprzęt GPU, biblioteki open source (scikit-learn, VARTOOLS, astropy, NetworkX, BATMAN) i konsekwencja.
Polskie ośrodki mają astronomiczną tradycję, mają kompetencje w uczeniu maszynowym i mają dostęp do tych samych publicznych archiwów. Czego brakuje, to zwykle mocy obliczeniowej i, co gorsza, cierpliwości grantodawców do projektów, w których pierwsze dwa lata schodzą na budowanie infrastruktury przetwarzania danych, a nie na publikacje.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Roman, PLATO i sto tysięcy kandydatek w dekadę
Za miesiąc sytuacja się zmieni. Kosmiczny Teleskop Nancy Grace Roman ma wystartować 30 sierpnia 2026 roku z Kennedy Space Center na rakiecie Falcon Heavy, dziewięć miesięcy przed pierwotnym terminem gotowości. NASA szacuje, że misja wykryje około 100 tysięcy tranzytujących kandydatek na planety. Roth ostrzega jednak, że będą to w większości gwiazdy jeszcze słabsze niż te przeszukiwane w jego pracy, więc potwierdzenie ich będzie wyjątkowo trudne.
Europejska misja PLATO planowana jest na marzec 2027 roku, z kosmodromu w Gujanie Francuskiej na rakiecie Ariane 6. Dwadzieścia sześć kamer, ponad 200 tysięcy gwiazd, orbita wokół punktu L2 i jawnie sformułowany cel: znaleźć planetę wielkości Ziemi krążącą wokół gwiazdy podobnej do Słońca. Roth spodziewa się, że PLATO znajdzie znacznie więcej małych planet na szerszych orbitach, także w strefach zamieszkiwalnych wokół karłów typu M, i że jego zespół użyje tej misji do szybkiego potwierdzania własnych kandydatek.
Do tego dochodzi Gaia. Ostatnie wydanie danych z tej misji ma według przewidywań zawierać ponad 100 tysięcy egzoplanet wykrytych metodą astrometryczną.
Sam Roth stawia prognozę: sto tysięcy kandydatek na planety w ciągu najbliższej dekady. Jego zespół pracuje już nad drugim cyklem danych TESS i planuje do końca roku wdrożyć konwolucyjne sieci neuronowe do klasyfikacji wycinków obrazów, żeby ograniczyć ręczną weryfikację do minimum.
Jeśli to zadziała, kolejny katalog powstanie szybciej. A pytanie, ile prawdziwych planet zostało w odrzuconym stosie, zrobi się jeszcze ciekawsze.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym pracy naukowej The T16 Planet Hunt (arXiv:2604.18579) zespołu Joshuy T. Rotha z 20.04.2026, przyjętej do publikacji w The Astrophysical Journal Supplement Series, wywiadu z Joshuą Rothem opublikowanego przez Forbes 27.07.2026 oraz materiałów Europejskiej Agencji Kosmicznej dotyczących misji PLATO. Dane o starcie teleskopu Roman pochodzą z komunikatów NASA i Kennedy Space Center. Polski kontekst historyczny opracowano na podstawie materiałów Uniwersytetu Warszawskiego o projekcie OGLE oraz publikacji dotyczących odkrycia OGLE-TR-56b. Cytat Joshuy T. Rotha, doktoranta astrofizyki na Uniwersytecie Princeton, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o wynikach przeglądów tranzytowych wspieranych uczeniem maszynowym.
