|
Исследователи фокусируют ИИ на поиске экзопланет
|
|
|
|
Новое исследование Университета Джорджии показывает, что искусственный интеллект можно использовать для поиска планет за пределами нашей Солнечной системы. Недавнее исследование показало, что машинное обучение можно использовать для поиска экзопланет, информация, которая может изменить то, как ученые обнаруживают и идентифицируют новые планеты очень далеко от Земли. «Одна из новых вещей в этом — анализ сред, в которых планеты все еще формируются», — сказал Джейсон Терри, аспирант факультета физики и астрономии Колледжа искусств и наук Франклина Университета Джорджии и ведущий автор исследования. «Машинное обучение редко применялось к тому типу данных, который мы использовали раньше, особенно для изучения систем, которые все еще активно формируют планеты».
|
|
|
|
Первая экзопланета была обнаружена в 1992 году, и, хотя известно, что существует более 5000 таких планет, ученым было легче всего их найти. Экзопланеты на стадии формирования трудно увидеть по двум основным причинам. Они слишком далеко, часто в сотнях световых лет от Земли, и диски, в которых они образуются, очень толстые, толще, чем расстояние от Земли до Солнца. Данные свидетельствуют о том, что планеты, как правило, находятся в середине этих дисков, передавая сигнатуру пыли и газов, поднятых планетой. Исследование показало, что искусственный интеллект может помочь ученым преодолеть эти трудности.
|
|
|
«Это очень захватывающее доказательство концепции», — сказала Кассандра Холл, доцент кафедры астрофизики, главный исследователь исследовательской группы экзопланет и формирования планет и соавтор исследования. «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 данным реального телескопа. Это никогда не делалось раньше в нашей области, и это прокладывает путь для потока открытий, как Поступают данные телескопа Джеймса Уэбба».
|
|
|
|
Космический телескоп Джеймса Уэбба, запущенный НАСА в 2021 году, открыл новый уровень инфракрасной астрономии, предоставив ученым новые потрясающие изображения и множество данных для анализа. Это всего лишь последняя попытка агентства найти экзопланеты, неравномерно разбросанные по галактике. Римская обсерватория Нэнси Грейс, 2,4-метровый обзорный телескоп, который планируется запустить в 2027 году и который будет искать темную энергию и экзопланеты, станет следующим крупным расширением возможностей — и доставки информации и данных — для поиска жизни во Вселенной.
|
|
|
|
Телескоп Уэбба дает ученым возможность смотреть на экзопланетные системы в чрезвычайно ярком и высоком разрешении, при этом сами формирующиеся среды представляют большой интерес, поскольку они определяют результирующую солнечную систему. «Потенциал хороших данных стремительно растет, так что это очень интересное время для этой области», — сказал Терри. Аналитические инструменты следующего поколения срочно необходимы для обработки этих высококачественных данных, чтобы ученые могли тратить больше времени на теоретическую интерпретацию, а не на тщательное прочесывание данных и попытки найти крошечные признаки.
|
|
|
|
«В каком-то смысле мы просто сделали человека лучше», — сказал Терри. «В значительной степени мы анализируем эти данные так: у вас есть десятки, сотни изображений для определенного диска, и вы просто просматриваете их 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 будут скучать». Терри говорит, что это то, что машинное обучение уже может сделать — повысить способность человека экономить время и деньги, а также эффективно управлять научным временем, инвестициями и новыми предложениями.
|
|
|
|
«В науке и, в частности, в астрономии в целом сохраняется скептицизм по поводу машинного обучения и ИИ, 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 мы В этой работе мы довольно убедительно продемонстрировали, что машинное обучение справляется с этой задачей. Вы можете спорить об интерпретации. Но в этом случае у нас есть очень конкретные результаты, демонстрирующие силу этого метода». Работа исследовательской группы направлена на разработку конкретной основы для будущих приложений данных наблюдений, демонстрирующих эффективность метода с использованием симуляционных наблюдений.
|
|
|
|
Источник
|
