Искусственный интеллект Google обнаружил две новые экзопланеты в далеких солнечных системах с помощью глубокого обучения

• Google использовал глубокую нейронную сеть для анализа данных Кеплера. 
• Они обнаружили две новые экзопланеты — Kepler-90i и Kepler-80g. 
• Разработанная ими модель позволяет различать планеты и непланеты с точностью около 96%. 

На протяжении многих веков люди смотрели на звезды, замечали некоторые закономерности и записывали наблюдения. Одним из первых объектов, обнаруженных в космосе, были планеты, которые греки называли «странниками» или «планетами» за их нерегулярное движение. Постепенно мы узнали, что в нашей Солнечной системе есть несколько планет, вращающихся вокруг Солнца.

С помощью современных технологий, таких как цифровая камера, космические полеты, оптика телескопов и компьютеры, мы можем расширить наши знания за пределы нашей Солнечной системы и обнаружить/идентифицировать планеты, находящиеся на расстоянии тысяч световых лет от Земли. Их называют экзопланетами — частью другой солнечной системы, находящейся далеко в космосе.

Однако найти экзопланеты — чрезвычайно сложная задача. В отличие от своих звезд-хозяев, они маленькие, холодные и темные. В настоящее время мы используем методы машинного обучения для точного обнаружения экзопланет. Один из таких методов используется Google, и они обнаружили две экзопланеты под названием Kepler 90i, вращающиеся вокруг желтого карлика Kepler 90, и Kepler-80g, вращающиеся вокруг Kepler 80. Давайте выясним, как им это удалось.

Используемые данные

Основным методом поиска экзопланеты является анализ огромного количества данных, полученных космическим телескопом НАСА «Кеплер», с использованием как ручного анализа, так и автоматизированного программного обеспечения. За 4 года телескоп наблюдал около 200 000 звезд, делая снимки каждые полчаса. Единственный научный инструмент Кеплера, Фотометр, непрерывно отслеживает яркость более чем 145 000 звезд главной последовательности в фиксированном поле зрения. Эти данные отправляются на Землю, а затем тщательно исследуются для выявления периодического затемнения экзопланеты, вызванного вращением вокруг родительской звезды.

Все это генерирует около 14 миллиардов точек данных, что в дальнейшем соответствует примерно 2 квадриллионам возможных орбит планет. Даже самому мощному компьютеру требуется очень много времени для обработки таких огромных объемов данных. Чтобы сделать этот процесс быстрее и эффективнее, Google использовал инструменты и методы глубокого обучения.

Подход к машинному обучению

Машинное обучение — это форма искусственного интеллекта, которая учит компьютер распознавать определенные закономерности. Это особенно полезно при анализе больших объемов данных. Здесь идея состоит в том, чтобы позволить машинам учиться посредством обучения и примеров, а не программировать их с помощью определенных правил.

Изображение предоставлено НАСА

Глубокое обучение, которое является разновидностью машинного обучения, использует вычислительные уровни для создания прогрессивных сложных функций, полезных для задач классификации. Например, модель глубокой классификации изображений может сначала распознавать простые краевые элементы, которые в дальнейшем можно использовать для обнаружения углов и кривых, пока последний слой признаков модели не сможет различать сложные объекты.

Глубокие нейронные сети (тип модели глубокого обучения) стали современными в решении нескольких задач, включая классификацию изображений. В большинстве случаев он работает лучше, чем модели, разработанные с использованием функций, разработанных вручную. Нейронная сеть обучена минимизировать функцию стоимости, которая измеряет, насколько ее прогнозы далеки от истинных меток обучающего набора.

Команда Google AI использовала набор данных, содержащий более 15 000 сигналов Кеплера, для создания модели TensorFlow, позволяющей отличать планеты от других небесных тел. Для этого системе пришлось обнаружить и распознать фактическую структуру планеты в сравнении с моделями, вызванными другими телами, такими как двойные звезды и звездные пятна.

Они разработали глубокую нейронную сеть для автоматического изучения событий пересечения порога Кеплера (TCE — обнаруженные периодические сигналы, которые могут соответствовать транзитным планетам). Модель использует кривые блеска в качестве входных данных и обучается на наборе ТВК Кеплера, классифицированных человеком.

Представления входных данных подаются через отдельные столбцы свертки — успешный метод в предыдущих классификациях изображений. Он способен различать космические тела с приличной точностью — тонкие различия между реальной транзитной экзопланетой и ложными срабатываниями, такими как артефакты приборов, затменные двойные системы и звездная изменчивость.

Ссылка:Harvard.edu

Результаты

Когда модель была протестирована на сигналах, она правильно распознала сигналы, генерируемые планетами и другими непланетами, с точностью 96 процентов. Более того, в 98,8 процентах случаев правдоподобные сигналы планет оценивались выше, чем ложноположительные сигналы.

Читайте:НАСА будет использовать искусственный интеллект для сетей космической связи

Чтобы сузить поиск, они наблюдали 670 звезд, у которых уже есть две или более экзопланет. В ходе обработки они обнаружили две новые экзопланеты — Kepler-90i и Kepler-80g. Планета Кеплер 90i вращается вокруг звезды Кеплер-90, ранее известной как место расположения семи транзитных планет. Принимая во внимание, что Kepler-80g является частью цепочки из 5 планет вокруг звезды Kepler-80, с орбитальным периодом, почти соответствующим предсказанию трехчастичных соотношений Лапласа.

Kepler-80g почти на 13 процентов больше Земли. (самая дальняя планета в своей системе) имеет орбитальный период 14,6 дней и 89,35 +0,47- 0,98 градуса наклонения.

Изображение предоставлено:блог Google

Кеплер-90i на 34% больше Земли с периодом обращения 14,45 дней. Он находится на расстоянии 2545 световых лет от Земли в созвездии Дракона. Он расположен между Kepler-90c (8,7 дней) и Kepler-90d (59,7 дней) с чрезвычайно горячей температурой поверхности – 436 °C.

Что дальше?

Когда дело доходит до возможностей глубокой нейронной сети, нет предела. Из 200 000 звезд модель используется для поиска только 670 из них. В данных Кеплера могут существовать сотни тысяч экзопланет, которые до сих пор не обнаружены. Новые методы, такие как глубокое обучение, помогут астрономам и физикам открывать вещи, недоступные человечеству.

Читайте:Искусственный интеллект Google создает ИИ, который превосходит человеческий код

Эта модель может быть изменена в будущем, чтобы повысить ее точность и уменьшить количество известных типов ложных срабатываний. Например, мы можем

• Увеличьте обучающую выборку, включив в нее смоделированные или неразмеченные данные (текущая модель использует только около 15 000 размеченных примеров).
• Улучшить процедуру увеличения количества звезд, чтобы уменьшить количество сигналов звездной изменчивости, которые классифицируются как вероятные планеты.
• Добавьте некоторую информацию о центроиде во входное представление, чтобы улучшить способность системы классифицировать транзиты, происходящие на фоновой звезде, а не на целевой звезде.
• Разделите локальное представление на несколько сегментов, чтобы система могла проанализировать согласованность транзитов между различными сегментами набора данных.