ИИ Google открыл две новые экзопланеты в далеких системах с помощью глубокого обучения

• Google использовал глубокую нейросеть для анализа данных Kepler.
• Обнаружены две новые экзопланеты — Kepler-90i и Kepler-80g.
• Разработанная модель отличается точностью 96 % в различии планет и не-планет.

На протяжении веков люди смотрели на звезды, замечали закономерности и записывали наблюдения. Одним из ранних открытий в космосе были планеты, которые греки называли «бродягами» или «planētai» за их неправильные движения. Постепенно мы узнали, что наша Солнечная система содержит несколько планет, вращающихся вокруг Солнца.

С помощью современных технологий — цифровых камер, космических полетов, телескопов и компьютеров — мы можем расширить знания за пределы собственной системы и обнаруживать/идентифицировать планеты в тысячах световых лет от Земли. Их называют экзопланетами — планетами других звездных систем.

Однако поиск экзопланет — крайне сложная задача. В отличие от своих звезд-хозяев, они малы, холодны и темны. Сейчас используются методы машинного обучения для точного обнаружения экзопланет. Один из таких методов использует Google — они обнаружили две экзопланеты: Kepler-90i, вращающуюся вокруг желтого карлика Kepler-90, и Kepler-80g вокруг Kepler-80. Узнаем, как им это удалось.

Используемые данные

Основной метод поиска экзопланет — анализ огромного массива данных, полученных космическим телескопом Kepler NASA, с помощью ручного анализа и автоматизированного ПО. За 4 года телескоп наблюдал около 200 000 звезд, делая снимок каждые полчаса. Единственный научный инструмент Kepler — фотометр — непрерывно мониторит яркость более 145 000 главных последовательных звезд в фиксированном поле зрения. Данные передаются на Землю и глубоко анализируются для выявления периодического затемнения, вызванного вращением экзопланет вокруг своих звезд.

Это генерирует около 14 млрд точек данных, что переводится примерно в 2 квадриллиона возможных планетных орбит. Даже самый мощный компьютер обрабатывает эти массивы крайне долго. Чтобы ускорить и сделать процесс эффективнее, Google использовал инструменты и техники глубокого обучения.

Подход машинного обучения

Машинное обучение — форма ИИ, обучающая компьютер распознавать конкретные паттерны. Особенно полезно для осмысления больших объемов данных. Идея — позволить машинам учиться через обучение и примеры, а не программировать их конкретными правилами.

Источник изображения: NASA

Глубокое обучение, разновидность машинного, использует вычислительные слои для создания прогрессивно сложных признаков, полезных для задач классификации. Например, модель глубокой классификации изображений сначала распознает простые края, затем углы и кривые, пока финальный слой не сможет отличать сложные объекты.

Глубокие нейронные сети (тип модели глубокого обучения) стали state-of-the-art в нескольких задачах, включая классификацию изображений. Чаще всего они превосходят модели с ручно спроектированными признаками. Нейросеть обучается минимизации функции потерь, измеряющей, насколько предсказания отклоняются от истинных меток обучающей выборки.

Команда Google AI использовала набор данных более 15 000 сигналов Kepler для создания модели TensorFlow, отличающей планеты от других небесных тел. Системе нужно было обнаружить и распознать реальный паттерн планеты против паттернов, вызванных другими телами — двойными звездами и звездными пятнами.

Разработали глубокую нейросеть для автоматического анализа пороговых событий пересечения Kepler (TCE — обнаруженные периодические сигналы, согласованные с транзитными планетами). Модель использует кривые блеска как входы и обучена на наборе человечески классифицированных TCE Kepler.

Виды входа подаются через отдельные сверточные колонки — успешный метод в предыдущих классификациях изображений. Способен отличать космические тела с достойной точностью — тонкие различия между реальной транзитной экзопланетой и ложноположительными результатами: инструментальными артефактами, затменяющимися двойными звездами и звездной вариабельностью.

Источник: Harvard.edu

Результаты

При тестировании на сигналах модель верно отличала сигналы, сгенерированные планетами и не-планетами, с точностью 96 %. Более того, в 98,8 % случаев она ранжировала правдоподобные планетные сигналы выше ложноположительных.

Читайте также: NASA будет использовать ИИ для космических коммуникационных сетей

Для сужения поиска они наблюдали 670 звезд, у которых уже есть две или более экзопланеты. В процессе нашли две новые экзопланеты — Kepler-90i и Kepler-80g. Kepler-90i вращается вокруг Kepler-90, звезды, ранее известной как хозяин 7 транзитных планет. Тогда как Kepler-80g является частью 5-планетной цепи вокруг звезды Kepler-80, с орбитальным периодом, почти соответствующим предсказанию по 3-телам Лапласа.

Почти на 13 % больше Земли, Kepler-80g (внешняя планета в своей системе) имеет орбитальный период 14,6 дней и наклон 89,35 +0,47/–0,98 градуса.

Источник изображения: Google blog

Kepler-90i на 34 % больше Земли с орбитальным периодом 14,45 дней. Находится в 2545 световых годах от Земли в созвездии Дракона. Расположена между Kepler-90c (8,7 дней) и Kepler-90d (59,7 дней) с экстремально горячей поверхностью — 436 °C.

Что дальше?

Когда речь идет о возможностях глубокой нейросети, небо — предел. Из 200 000 звезд модель просканировала только 670. В данных Kepler могут быть сотни тысяч еще не обнаруженных экзопланет. Новые техники вроде глубокого обучения помогут астрономам и физикам раскрыть то, что недоступно человеку.

Читайте также: ИИ Google создал ИИ, превосходящий человеческий код

Эту модель можно модифицировать в будущем для улучшения точности и снижения известных типов ложноположительных результатов. Например, можно:

• Увеличить обучающую выборку, включив смоделированные или немаркированные данные (текущая модель использует только ~15 000 размеченных примеров).
• Улучшить рутину обучения для снижения числа сигналов звездной вариабельности, классифицированных как вероятные планеты.
• Добавить форму центроидной информации во входное представление для улучшения способности системы классифицировать транзиты на фоновой звезде, а не на целевой.
• Разделить локальный вид на несколько сегментов, чтобы система могла анализировать согласованность транзитов между разными сегментами набора данных.