Сначала с помощью машинного обучения подтверждено пятьдесят новых планет


Существование пятидесяти потенциальных планет подтверждено новым алгоритмом машинного обучения, разработанным учеными Уорикского университета.

Впервые астрономы использовали процесс, основанный на машинном обучении, форме искусственного интеллекта, для анализа выборки потенциальных планет и определения того, какие из них настоящие, а какие – «фальшивые» или ложные срабатывания, вычисляя вероятность того, что каждый кандидат будет настоящей планетой.

Их результаты представлены в новом исследовании, опубликованном в Ежемесячных уведомлениях Королевского астрономического общества , где они также проводят первое крупномасштабное сравнение таких методов проверки планет. Их выводы позволяют использовать несколько методов проверки, включая алгоритм машинного обучения, для статистического подтверждения будущих открытий экзопланет.

Многие исследования экзопланет ищут в огромных объемах данных телескопов признаки прохождения планет между телескопом и их звездой, так называемых транзитных. Это приводит к явному падению света от звезды, которое обнаруживает телескоп, но это также может быть вызвано двойной звездной системой, помехами от объекта на заднем плане или даже небольшими ошибками в камере. Эти ложные срабатывания можно отсеять в процессе планетарной проверки.

Исследователи из Департамента физики и информатики Уорвика, а также Института Алана Тьюринга создали алгоритм на основе машинного обучения, который может отличать настоящие планеты от поддельных в больших выборках из тысяч кандидатов, найденных с помощью миссий телескопов, таких как Кеплер НАСА и TESS.

Он был обучен распознавать настоящие планеты с использованием двух больших выборок подтвержденных планет и ложных срабатываний из уже закрытой миссии Кеплера. Затем исследователи использовали алгоритм на наборе данных еще неподтвержденных планет-кандидатов от Кеплера, в результате чего было получено пятьдесят новых подтвержденных планет, и первая из них была подтверждена с помощью машинного обучения. Предыдущие методы машинного обучения ранжировали кандидатов, но никогда не определяли вероятность того, что кандидат сам по себе является настоящей планетой, что является необходимым этапом для проверки планеты.

Эти пятьдесят планет варьируются от миров размером с Нептун до миров меньше Земли, с орбитами от 200 дней до одного дня. Подтвердив, что эти пятьдесят планет реальны, астрономы теперь могут расставить приоритеты для дальнейших наблюдений с помощью специальных телескопов.

Д-р Дэвид Армстронг из физического факультета Уорикского университета сказал: «Разработанный нами алгоритм позволяет нам пересечь порог для пятидесяти кандидатов на проверку планеты, сделав их настоящими планетами. Мы надеемся применить этот метод к большим образцы кандидатов из текущих и будущих миссий, таких как TESS и PLATO.

«Что касается проверки планет, никто раньше не использовал технику машинного обучения. Машинное обучение использовалось для ранжирования планетных кандидатов, но никогда не в вероятностной структуре, а это то, что вам нужно для подлинной проверки планеты. Говоря о том, какие кандидаты с большей вероятностью будут планетами, мы можем теперь сказать, какова точная статистическая вероятность. Если вероятность того, что кандидат окажется ложноположительным, составляет менее 1%, это считается подтвержденной планетой ».

Доктор Тео Дамулас из факультета компьютерных наук Уорикского университета и заместитель директора Data Centric Engineering и научный сотрудник Института Алана Тьюринга по Тьюрингу сказал: «Вероятностные подходы к статистическому машинному обучению особенно подходят для решения такой захватывающей задачи. в астрофизике, которая требует включения предварительных знаний – от таких экспертов, как доктор Армстронг – и количественной оценки неопределенности в прогнозах. Яркий пример, когда дополнительная вычислительная сложность вероятностных методов окупается в значительной степени ».

Созданный и обученный алгоритм работает быстрее, чем существующие методы, и может быть полностью автоматизирован, что делает его идеальным для анализа потенциально тысяч планет-кандидатов, наблюдаемых в текущих исследованиях, таких как TESS. Исследователи утверждают, что это должно быть одним из инструментов, которые можно будет коллективно использовать для проверки планет в будущем.

Доктор Армстронг добавляет: «На сегодняшний день почти 30% известных планет прошли валидацию с использованием только одного метода, и это не идеально. Разработка новых методов валидации желательна только по этой причине. Но машинное обучение также позволяет нам это делать. очень быстро и гораздо быстрее расставляйте приоритеты среди кандидатов.

«Нам все еще нужно потратить время на обучение алгоритму, но как только это будет сделано, станет намного проще применять его к будущим кандидатам. Вы также можете использовать новые открытия для его постепенного улучшения.

“Согласно прогнозам, в таком обзоре, как TESS, будут представлены десятки тысяч планет-кандидатов, и он идеально подходит для того, чтобы иметь возможность анализировать их все последовательно. Такие быстрые автоматизированные системы, которые могут привести нас к подтвержденным планетам за меньшее количество шагов. давайте делать это эффективно “.


Добавить комментарий