Машинное обучение — мощный инструмент при поиске экзопланет

Астрономия вступила в эпоху больших данных, когда астрономы буквально завалены информацией благодаря передовым инструментам и методам обмена данными. Такие объекты, как обсерватория Веры Рубин (VRO), ежедневно собирают около 20 терабайт (ТБ) данных. Другие, такие как Тридцатиметровый телескоп (ТМТ), как ожидается, соберут до 90 ТБ после ввода в эксплуатацию. В результате астрономы имеют дело с 100–200 петабайтами данных каждый год, и ожидается, что астрономия скоро достигнет «экзабайтной эры».

В ответ на это обсерватории предложили краудсорсинговые решения и открыли доступ к своим данным, чтобы гражданские ученые могли помочь в трудоемком процессе анализа. Кроме того, астрономы все чаще обращаются к алгоритмам машинного обучения, чтобы помочь им идентифицировать интересующие объекты (ИО) во Вселенной. В недавнем исследовании команда под руководством Университета Джорджии показала, как искусственный интеллект могли одновременно различать ложные срабатывания и кандидатов на экзопланеты, что значительно облегчало работу охотников за экзопланетами.

Исследованием руководил Джейсон Терридокторант с Центр симуляционной физики (CSP) в Университете Джорджии (UGA) и бывший исследователь из Лос-Аламосская национальная лаборатория (ЛАНЛ). К нему присоединились исследователи из Калифорнийского университета в Сан-Франциско (UCSF). Институт сердечно-сосудистых исследований (CRI) и Университет Алабамы. Бумага, в которой описывается их исследование, «Поиск скрытых экзопланет в данных ALMA с помощью машинного обучения», недавно появилось в Астрофизический журнал.

Первая подтвержденная экзопланета была обнаружена в 1992 году, и за последние пятнадцать лет их число увеличилось в геометрической прогрессии. На сегодняшний день, 5250 экзопланет были подтверждены в 3 921 системе, а еще 9 208 кандидатов ожидают подтверждения. Тем не менее подавляющее большинство из них относятся к одной из трех категорий: нептуноподобные (1825), газовые гиганты (1630) и суперземли (1595). Эти планеты более массивны и обычно вращаются дальше от своих звезд, чем меньшие скалистые планеты (или «землеподобные»), которых было обнаружено только 195.

Между тем экзопланеты, находящиеся в стадии формирования, трудно увидеть по двум основным причинам: во-первых, они часто находятся в сотнях световых лет от Земли (слишком далеко, чтобы ясно видеть), и во-вторых, протопланетные диски, из которых они формируются, очень толстые. , размером до 1 а.е. в диаметре (расстояние между Землей и Солнцем). Судя по тому, что видели астрономы, планеты, как правило, формируются в середине этих дисков и несут в себе следы пыли и газов, поднимающихся в процессе. Но, как сказал Терри в недавнем AGU пресс-релизисследования показывают, что искусственный интеллект может помочь ученым преодолеть эти трудности:

«Одна из новых вещей в этом — анализ среды, в которой планеты все еще формируются. Машинное обучение редко применялось к тому типу данных, который мы использовали раньше, особенно для изучения систем, которые все еще активно формируют планеты… В значительной степени мы анализируем эти данные так, что у вас есть десятки, сотни изображений для определенного диск, и вы просто просматриваете и спрашиваете: «Это покачивание?» затем запустите дюжину симуляций, чтобы увидеть, является ли это покачиванием, и… их легко не заметить — они действительно крошечные, и это зависит от очистки, и поэтому этот метод первый, очень быстрый, и второй, его точность позволяет получить планеты, которые люди промахнулись бы».

Для своего исследования команда разработала модель машинного обучения, основанную на Компьютерное зрение (CV), область искусственного интеллекта, которая позволяет компьютерам и системам извлекать данные из цифровых изображений и видео. Команда обучила свою модель CV, используя сгенерированные ими синтетические изображения, а затем применила модель к реальным наблюдениям протопланетных дисков, проводимым Большой миллиметрово-субмиллиметровый массив Atacama (АЛМА). В конце концов они продемонстрировали, что их метод машинного обучения (на основе CV) может правильно определить наличие одной или нескольких планет в дисках.

Они также продемонстрировали, что он может правильно ограничивать расположение планет на этих дисках. Соавтор Кассандра Холл, доцент астрофизики и главный исследователь исследовательской группы экзопланет и формирования планет в UGA, объяснил:

«Это очень захватывающее доказательство концепции. Сила здесь в том, что мы использовали исключительно синтетические данные телескопа, созданные с помощью компьютерного моделирования, для обучения этого ИИ, а затем применили их к реальным данным телескопа. Такого еще никогда не делали в нашей области, и это прокладывает путь к потоку открытий по мере поступления данных телескопа Джеймса Уэбба».

В ближайшие годы к ним присоединятся несколько космических и наземных обсерваторий нового поколения. Космический телескоп Джеймса Уэбба (ЮВСТ). Это включает в себя Римский космический телескоп Нани Грейс (RST), Чрезвычайно большой телескоп (ЭЛТ), Гигантский Магелланов Телескоп (время по Гринвичу) и Тридцатиметровый телескоп (ТМТ). Этот и другие телескопы будут собирать беспрецедентные объемы данных на нескольких длинах волн, которые будут использоваться для поиска экзопланет. Более того, передовые инструменты, которые они будут использовать, смогут охарактеризовать атмосферу экзопланет, как никогда раньше. Сказал Терри:

Помимо исследования экзопланет, эти обсерватории будут исследовать космологические загадки, такие как темная материя, темная энергия, и исследовать ранние эпохи Вселенной. Аналитические инструменты следующего поколения также необходимы для анализа этих высококачественных данных, чтобы астрономы могли тратить больше времени на интерпретацию данных и разработку новых теорий для их объяснения. По словам Терри, машинное обучение уже способно удовлетворить этот спрос, сэкономит время и деньги и эффективно направит научное время, инвестиции и новые предложения:

«В науке и, в частности, в астрономии в целом сохраняется скептицизм по поводу машинного обучения и искусственного интеллекта, обоснованная критика того, что это черный ящик — где у вас есть сотни миллионов параметров, и вы каким-то образом получаете ответ. Но мы думаем, что в этой работе мы довольно убедительно продемонстрировали, что машинное обучение справляется с поставленной задачей. Вы можете спорить о интерпретации. Но в данном случае у нас есть очень конкретные результаты, демонстрирующие силу этого метода».

Дальнейшее чтение: УГА сегодня, Астрофизический журнал