Астрономы подтвердили 50 новых экзопланет с помощью алгоритма машинного обучения

Впервые астрономы использовали алгоритм машинного обучения - форму самообучающегося ИИ - для подтверждения существования экзопланет

0 604

Впервые астрономы использовали алгоритм машинного обучения — форму самообучающегося ИИ — для подтверждения существования экзопланет в данных, собранных ныне ушедшим на пенсию космическим телескопом Кеплер.

Алгоритм, который был разработан, чтобы отличать реальные миры от ложных срабатываний телескопов, подтвердил в общей сложности 50 экзопланет, от газовых гигантов размером с Нептун до инопланетных планет меньше Земли.

В 1995 году группа европейских астрономов сделала грандиозное объявление о том, что они обнаружили первый подтвержденный мир, вращающийся вокруг другой звезды — гигантского горячего шара размером примерно половину Юпитера, получившего название 51 Pegasi b.

С момента открытия этой первой экзопланеты, астрономы изучают в поисках свидетельств существования других миров, которые могут скрываться по всей нашей галактике.

Со временем методы охоты за планетами эволюционировали, и были запущены специальные телескопы, такие как Kepler, а затем и TESS, чтобы исследовать обширные участки неба в поисках скрытых миров. Их существование определяли в виде периодического, характерного падения света далекой звезды, которое происходит, когда планета проходит между ее диском и наблюдающим телескопом. Этот тип открытия экзопланет известен как метод транзита.

Усилия не прошли даром. Астрономы открыли более 4200 миров, вращающихся за пределами нашей Солнечной системы, и более 5000 экзопланет-кандидатов.

Эти миры-кандидаты требуют дальнейшего наблюдения, чтобы убедиться, что провалы в освещении, регистрируемые телескопами, не являются результатом другого явления, такого как присутствие другой звезды, вращающейся на одной орбите, помехи от фоновых объектов или незначительных ошибок при сборе данных обсерваторией.

Астрономы теперь обращаются к машинному обучению, чтобы помочь им проанализировать настоящий океан данных телескопов и отсеять ложные срабатывания.

Смотрите также  Астрономы нашли теплый Юпитер, вращающийся вокруг холодного красного карлика

Алгоритмы машинного обучения могут, как следует из названия, извлекать уроки из прошлого опыта, чтобы со временем постепенно повышать свою точность и производительность.

Ученые из физического факультета Уорикского университета и Института Алана Тьюринга создали алгоритм поиска экзопланет и обучили на двух больших выборках данных, захваченных ныне несуществующим космическим телескопом Кеплера. Один из наборов данных был заполнен уже подтвержденными планетами, а другой — известными ложными срабатываниями.

Затем команда запустила алгоритм на выборке неподтвержденных кандидатов на экзопланеты, также из архивов Кеплера. Любая экзопланета, вероятность ложного срабатывания которой составляла менее одного процента, считалась подтвержденной.

«Что касается проверки планет, никто раньше не использовал технику машинного обучения. Машинное обучение использовалось для ранжирования планетных кандидатов, но никогда в вероятностной структуре, что и необходимо для подлинной проверки планеты», — комментирует Дэвид Армстронг. из Уорикского университета.

«Вместо того, чтобы говорить, какие кандидаты с большей вероятностью будут планетами, теперь мы можем сказать, какова точная статистическая вероятность».

Алгоритм смог статистически подтвердить существование 50 экзопланет на основе данных — кандидатов, начиная от крошечных инопланетных миров меньше Земли и заканчивая огромными газовыми гигантами размером с Нептун.

По словам авторов исследования, алгоритм был полностью автоматизирован и смог отделить ложные срабатывания от реальных экзопланет быстрее, чем это было бы возможно в противном случае.

Ученые считают, что при подтверждении открытий в будущем следует комбинировать несколько методов подтверждения экзопланет, включая их собственный автоматизированный алгоритм.

«Почти 30 процентов известных на сегодняшний день планет были проверены с использованием только одного метода, и это не идеально», — объясняет Дэвид Армстронг. «Разработка новых методов валидации желательна только по этой причине. Но машинное обучение также позволяет нам делать это очень быстро и гораздо быстрее определять приоритеты кандидатов».

Смотрите также  Физики впервые подробно изучили электрическое поле Солнца

Двигаясь вперед, исследователи намерены продолжить обучение алгоритма и надеются применить свой алгоритм к более крупным выборкам экзопланет, собранным с помощью TESS, и к будущим миссиям, таким как запланированная миссия ЕКА по планетарным транзитам PLATO.

Статья была опубликована в Monthly Notices of the Royal Astronomical Society

Войти с помощью: 
Подписаться
Уведомление о
guest
0 Комментарий
Встроенные отзывы
Посмотреть все комментарии
0
Будем рады вашим мыслям, пожалуйста, прокомментируйте.x
()
x