Deja, realybėje šie pokyčiai dažnai pranyksta matavimų paklaidose ir triukšme. Aptikti juos vis tiek įmanoma, bet tam reikia suskaičiuoti dešimtis modelių, bandant priderinti planetos kuriamą dujų greičių iškreipimą prie realių stebėjimų duomenų. Toks metodas užima daug laiko ir reikalauja daug skaičiavimų resursų.
Dabar mokslininkai šią problemą išsprendė pasitelkę mašininio mokymo algoritmą. Pasitelkę skaitmeninius modelius, jie sukūrė daugybę realistiškų protoplanetinių diskų nuotraukų. Kai kuriose sistemose buvo planetose, kitose – ne. Tokiu duomenų rinkiniu apmokytas algoritmas išmoko atskirti, kur yra planetos, net ir matydamas tik triukšmingus išskydusius duomenis, atitinkančius realių stebėjimų informaciją.
Algoritmas sėkmingai identifikuodavo ne tik pavienes planetas, bet ir daugelio planetų sistemas, taip pat teisingai nustatydavo jų padėtis nuotraukose. Išbandę kelis algoritmo variantus, tyrimo autoriai pasirinko tokį, kurio patikimumas viršija 95 procentus, kitaip tariant, ne daugiau nei viena iš dvidešimties sistemų klaidingai priskiriama turinčioms arba neturinčioms planetų.
Toks greitas metodas planetinių sistemų klasifikavimui bus labai naudingas analizuojant Jameso Webbo teleskopo bei kitų naujos kartos teleskopų duomenis. Viena pagrindinių šių duomenų savybių – jų kiekis: jų bus gaunama gerokai daugiau, nei anksčiau. Taigi, efektyvus automatizuotas jų apdorojimas yra būtinas, kad mokslininkai nešvaistytų laiko planetų paieškoms ten, kur jų tikrai nėra.
Tyrimo rezultatai publikuojami „The Astrophysical Journal“.
