AI vytipovala 44 hvězd, kde může čekat druhá Země. Zatím jen na papíře

Co přesně bernský model dělá

Tým kolem Jeanne Davoultové, Romaina Eltschingera a Yanna Aliberta z Univerzity v Bernu položil zajímavou otázku: dá se z uspořádání už objevených planet poznat, že v soustavě je ještě další, menší a dosud neviditelná? Planety totiž vznikají společně v disku plynu a prachu kolem mladé hvězdy a jejich hmotnosti i vzdálenosti si nesou stopu společné historie. Některé soustavy připomínají „hrášky v lusku“ (podobně velké planety v podobných rozestupech), jiné jsou rozmanitější.

Problém: skutečné soustavy jsou neúplné. Malé planety na dlouhých drahách se hledají nejhůř, takže na pozorovaných datech se algoritmus učit nedá – nikdo neví, co v nich chybí. Vědci proto použili Bernský model vzniku a vývoje planet a nasimulovali desítky tisíc umělých soustav kolem hvězd o hmotnosti Slunce, poloviny a pětiny Slunce. V simulaci znají každou planetu. Potom z nich „skryli“ ty, které by dnešní metoda radiálních rychlostí (měření, jak planeta rozhoupává svou hvězdu) nezachytila, a nechali algoritmus hádat, zda soustava ukrývá planetu podobnou Zemi.

Použili metodu náhodného lesa: 500 rozhodovacích stromů, z nichž každý hlasuje „ano/ne“. Čím víc stromů musí souhlasit, tím méně falešných poplachů – a tím víc skutečných případů se přehlédne. Nejvíc informace podle autorů nesla hmotnost a oběžná doba nejvnitřnější pozorovatelné planety a celková architektura soustavy.

Co znamená „99 %“ – a co neznamená

Při prahu nad 90 % hlasů dosáhla přesnost (precision) u modelů pro hvězdy slunečního typu a menší 99 %, u nejmenších hvězd 94 %. Pozor ale na výklad: jde o výsledek na simulovaných soustavách. Říká, že když model v simulaci řekne „tady planeta je“, má skoro vždy pravdu. Neříká, že 99 % z 44 tipů se potvrdí na obloze. Hlasovací poměr stromů navíc není pravděpodobnost, že planeta opravdu existuje.

Model pak vyzkoušeli na 1 567 skutečných soustavách kolem hvězd typu G, K a M, u nichž je změřená hmotnost aspoň jedné planety. Prahem prošlo 51 soustav; sedm dvojhvězd vyřadili, protože simulace počítaly jen s jednou hvězdou. Zbylo 44 cílů. Předběžná analýza stability pak potvrdila, že v 42 z nich je mezi známými planetami dost místa pro další těleso (výjimkou jsou HIP 41378 a GJ 273). I to ale jen znamená „je to možné“, ne „je to tam“.

Také definice „planety podobné Zemi“ je široká: hmotnost od poloviny do trojnásobku zemské a rovnovážná teplota 160–510 kelvinů. To neurčuje, jaké podmínky jsou na povrchu, a už vůbec ne, zda je tam voda či život.

Slabá místa: model je jen tak dobrý jako simulace

Autoři i zpravodajský zdroj, z něhož jsem vyšel (The Brighter Side of News), upozorňují, že Bernský model produkuje oproti pozorování příliš mnoho planet a umisťuje je blíž k hvězdám. Filtr „co by astronom našel“ také plně nezohledňuje aktivitu hvězd ani plánování pozorování. Pokud simulace systematicky lže, algoritmus se ji naučí věrně – a svá zkreslení přenese do tipů. Proto bude cenné i to, když se tipy nepotvrdí: ukážou, kde je třeba model opravit.

Proč to zajímá i Česko: mise PLATO

Autoři jako hlavní využití uvádějí přípravu pozorování pro evropskou misi PLATO a koncept LIFE. Hledání malé planety na dlouhé dráze vyžaduje obrovské množství pozorovacího času, takže seznam, kde je šance největší, má reálnou cenu. Podle Akademie věd ČR má PLATO přímou českou účast: tým z Astronomického ústavu AV ČR je členem mise, česká strana zajišťuje přepravu 26 kamer sondy a podílí se na zpracování dat; plánovaný start je v roce 2026 a vědecká měření mají začít v roce 2027. Bernský seznam tak může jednou pomoci i českým vědcům vybrat, na co se dívat.

Není to první ani poslední

Hledání planet pomocí AI není novinka. V roce 2017 oznámili Christopher Shallue (Google) a Andrew Vanderburg, že konvoluční neuronová síť natrénovaná na 15 000 prověřených signálech z teleskopu Kepler při testech správně poznala planetu v 96 % případů. V datech objevila dvě nové planety, mezi nimi Kepler-90i, osmou planetu své soustavy. Rozdíl oproti Bernu: Kepler-90i bylo pozorované zákrytový signál, který lidé přehlédli. Bernský model naopak předpovídá něco, co nikdo neviděl.

Medicína: nejsilnější důkazy zatím z biologie

Kdyby šlo o to, kde AI vědě prokazatelně pomohla nejvíc, vede biologie. Systém AlphaFold od Google DeepMind předpovídá prostorovou strukturu bílkovin z jejich sekvence; jeho databáze dnes obsahuje přes 200 milionů predikcí. V roce 2024 získali Demis Hassabis a John Jumper za predikci struktury bílkovin spolu s Davidem Bakerem (návrh bílkovin) Nobelovu cenu za chemii. Struktura bílkoviny pomáhá pochopit nemoc a navrhovat léky – ale lék tím ještě neexistuje.

Konkrétnější je příklad z antibiotik. Tým z MIT natrénoval neuronovou síť, která v roce 2020 v časopise Cell představila halicin, látku účinnou proti řadě rezistentních bakterií v pokusech na myších. V roce 2023 následoval abaucin proti bakterii Acinetobacter baumannii – opět s ověřením v laboratoři a na myším modelu. Ani jedna z těchto látek zatím není lékem schváleným pro pacienty; AI zkrátila fázi „kde hledat“, klinické zkoušky ale zůstávají stejně dlouhé a drahé.

Matematika: soutěžní úlohy, ne nové věty

V roce 2024 získal systém AlphaProof spolu s AlphaGeometry 28 z 42 bodů na Mezinárodní matematické olympiádě – ekvivalent stříbrné medaile, bod pod zlatem. V roce 2025 pak Google DeepMind oznámil, že jeho model Gemini s režimem Deep Think získal 35 bodů, tedy zlatý standard, oficiálně ohodnocený organizátory soutěže. Je to působivé, ale olympiádní úlohy jsou uzavřené problémy se známým řešitelným řešením. Že totéž zvládne AI u otevřených výzkumných problémů, tento výsledek sám nedokazuje.

Společný vzorec: AI zužuje hledání, věda rozhoduje

Všechny příklady spojuje jeden princip. AI neprohlásí něco za pravdu; vybere, kde se vyplatí hledat. Bernský model nominuje 44 soustav, AlphaFold nabídne strukturu, kterou pak ověří experiment, MIT síť vybere molekuly k laboratornímu testu. Odpověď nakonec dává pozorování, experiment nebo formální důkaz. Pro čtenáře z toho plyne střízlivý závěr: AI vědu zrychluje, ale ověřování zůstává lidskou prací – a právě to oddělí tipy, které vydrží, od těch, které ne.

Pomůže to lidstvu posunout se v lékařství, astronomii a matematice? U astronomie zatím máme jen seznam tipů, u medicíny prvních kandidátů a nástroje, u matematiky soutěžní výsledky. Mluvit o jistém posunu by bylo předčasné; potvrzeno je, že AI šetří čas v nejdražší fázi výzkumu – hledání.

I zde tedy platí, že nejúčinnější je spojení člověka a AI. 

Dostupnost a cena

Studie z Bernu je veřejně dostupná v odborném časopise Astronomy & Astrophysics (plný text zdarma). Databáze AlphaFold je volně přístupná i českým vědcům a studentům.