Tych jest z pewnością wiele, lecz ludzkość do tej pory nie dysponowała narzędziami, które pozwalałyby na ich identyfikację. Taka sztuka udała się chociażby w przypadku tajemniczego ciała nazwanego Oumuamua czy też komety Borysow. Ale jest oczywistym, że większość podobnych gości zapuszczających się do Układu Słonecznego z zewnątrz przelatuje niezauważona. Wkrótce ma się to zmienić.
Czytaj też: Kosmiczni przybysze w naszym układzie. Nowe badania zaskakują skalą zjawiska
Obecne szacunki sugerują, jakoby każdego roku do naszego układu wlatywało kilka nowych tego typu ciał, a w obrębie orbity Neptuna najprawdopodobniej krążą ich tysiące. Trzeba tylko znaleźć sposób na ich śledzenie. I tak się składa, że tytułowe obserwatorium ma być kluczem do realizacji tego zadania.
Ale nie chodzi wyłącznie o możliwości techniczne instrumentów znajdujących się na wyposażeniu teleskopów powstających w północnym Chile. Istotną rolę w tym zakresie odegrają również narzędzia oddelegowane do analizy gromadzonych danych. Tych jest czasem tak wiele, że ręczna realizacja tego zadania jest w zasadzie niemożliwa. Dopiero przy wsparciu ze strony komputerów staje się to realne. To, co wcześniej było albo nierealne albo wyjątkowo czasochłonne, teraz może okazać się całkiem nieskomplikowane.
Wykorzystując Obserwatorium im. Very C. Rubin oraz łącząc jego możliwości z algorytmami opartymi na uczeniu maszynowym astronomowie będą mogli identyfikować obiekty międzygwiezdne w Układzie Słonecznym
Aby sprawdzić możliwości drzemiące w uczeniu maszynowym, odnoszące się do analizy tych danych, naukowcy przeprowadzili niedawno symulacje ciał Układu Słonecznego. Jedne zyskały regularne orbity, podczas gdy inne poruszały się w sposób wskazujący na ich międzygwiezdne pochodzenie. Przeszkolone algorytmy miały rozróżniać ciała wchodzące w skład obu tych grup.
Czytaj też: Zagadkowy tunel międzygwiezdny w naszej okolicy. Naukowcy szukają, dokąd prowadzi
Szczególnie obiecujące okazały się dwie metody. Pierwsza, znana jako Random Forest, klasyfikuje drzewa decyzyjne statystycznie, podczas gdy druga – nazywana Gradient Boosting – priorytetowo traktuje najsłabsze ogniwa w celu ich wzmocnienia. Inne techniki wypadały mniej korzystnie. Najważniejszy pozostaje natomiast fakt, iż udało się potwierdzić, że algorytmy oparte na uczeniu maszynowym mogą być bardzo przydatne w identyfikacji obiektów międzygwiezdnych w Układzie Słonecznym.