تلسکوپ TESS به روش «گذر» کار میکند: پیوسته روشنایی ستارگان را اندازه میگیرد و منتظر میماند تا افتی بسیار کوچک و تکرارشونده رخ دهد — نشانهٔ آنکه جسمی از مقابل ستاره گذشته است. مقیاس این افت معمولاً کسری از یک درصد است.
مشکل، نبودِ داده نیست؛ زیادیِ آن است. TESS منحنی روشنایی صدها هزار ستاره را ثبت کرده و در این حجم، شمار سیگنالهای مشکوک بسیار بیشتر از آن است که تیمی از انسانها بتواند تکتک را وارسی کند. بخش بزرگی از این سیگنالها هم سیاره نیستند: ستارگان دوتایی گرفتی، نوفهٔ ابزار، یا اجرام پسزمینه میتوانند الگویی کمابیش مشابه بسازند.
کاری که مدل یادگیری ماشین انجام میدهد، همین تفکیک است: از روی شکل دقیق منحنی، تشخیص میدهد کدام افت روشنایی احتمالاً واقعاً یک سیاره است و کدام یکی از آن بدلهاست. نتیجه فهرستی کوتاه و قابلبررسی است، بهجای انبوهی که عملاً کنار گذاشته میشد.
### کشف بدون رصدجنبهٔ چشمگیر این خبر همین است: این ۱۱۸ سیاره سالها در دادهها بودهاند. آنچه کم بود، ابزاری برای دیدنشان بود.
این نکته پیامدی فراتر از اخترشناسی دارد. بایگانیهای علمی — از ژنومهای توالییابیشده تا تصاویر پزشکی تا دادههای لرزهنگاری — انباشته از مشاهداتی هستند که هزینهٔ گردآوریشان پرداخت شده و هرگز بهطور کامل تحلیل نشدهاند. الگویی که وارویک نشان میدهد این است که گاهی ارزانترین راه برای کشف تازه، بازخوانی دادههای قدیمی با ابزار تازه است، نه جمعآوری دادههای تازه.
در میان یافتهها، به گزارش پژوهشگران، جهانهایی با ویژگیهای نامتعارف هم دیده میشود — سیارههایی که خصوصیات مداری یا فیزیکیشان آنها را از نمونههای متعارف جدا میکند.
### احتیاطی که باقی میماند«تأییدشده» در اخترشناسی معنای مشخصی دارد و با «شناساییشده» یکی نیست. یک نامزد سیارهای زمانی تأیید میشود که سناریوهای بدیل — بهویژه احتمال ستارهٔ دوتایی گرفتی — با شواهد مستقل رد شده باشند. آن ۲٬۰۰۰ نامزد دیگر هنوز در این مرحله نیستند و بخشی از آنها احتمالاً در بررسیهای بعدی کنار گذاشته خواهند شد.
نکتهٔ روششناختی مهمتر این است که مدل یادگیری ماشین، خودش تصمیم نهایی را نمیگیرد؛ کار او کوچککردن انبوه داده تا اندازهای است که بررسی انسانی ممکن شود. این تقسیم کار — ماشین برای غربال، انسان برای داوری — همان الگویی است که در کاربردهای جدی هوش مصنوعی در علم، بارها تکرار شده است.