Kepler space telescope, the planet hunter.
 |
AI技術的逐漸成熟和發展，將推動這一應用領域探索文明的進程，關於AI＋航太天文應用技術，國際科學家們，已經開發出了行星機器學習代碼。
開普勒空間望遠鏡
機器學習算法賦能天文辨識
機器學習算法，已被用於揭示NASA退役的開普勒太空望遠鏡，聚集的數據存檔中，兩個以前看不見的系外行星。
Kepler於2009年發射，被派去調查銀河系的黑暗河段。它的工作是透過仔細檢查，遙遠星星發出的光，來尋找外星世界。用光度計武裝起來，開普勒尋找在其母星，前面行星劃過的亮度特徵下降。它去年十月退休了。
該航太飛行器，幫助科學家發現了2000多個遙遠的行星，還有許多尚未被發現。由德克薩斯大學奧斯汀分校，和谷歌領導的天文學家和工程師團隊共同合作，利用卷積神經網路，嗅出潛在的候選系外行星。
該軟體使用開普勒，觀測到的恆星和行星數據集進行訓練，因此當查看其他恆星亮度的讀數時，它可以預測每顆恆星存在的外星球。
該軟體使用開普勒，觀測到的恆星和行星數據集進行訓練，因此當查看其他恆星亮度的讀數時，它可以預測每顆恆星存在的外星球。
神經網路發現了兩個以前未知的世界，因為它透過開普勒數據，尋找軌道行星的跡象，並且已經使用美國亞利桑那州和夏威夷的望遠鏡，證實了它們的存在。基督徒K2-293b和K2-294b兩者之間彼此接近，分別位於水瓶座的1300光年和1,230光年之外，它們都比地球更大更熱。
神經網路＋深度學習訓練
揭示這對行星的數據，來自開普勒K2階段的任務。2013年，兩個航太飛行器的四個反作用輪發生故障，它不能再停留在一顆特定的恆星上，因此美國宇航局對其進行了重新配置，使其推進器和其他剩餘的輪子，可以保持穩定。
德克薩斯大學奧斯汀分校的本科物理系學生Anne Dattilo解釋說，處理K2數據變得更加棘手。該團隊必須考慮到航太飛行讀數中的輕微擺動和系統噪音。
「我使用來自K2的超過27,000顆恆星的數據，訓練了我的修改過的算法，」她說，「我的筆記型電腦只需要40分鐘成功訓練，但我們需要幾個月，才能弄清楚如何成功地使用K2數據。」
對卷積神經網路進行了訓練，以便隨著時間的推移尋找恆星光亮度的週期性下降，這表明行星的通過。由於它僅使用附近行星的恆星的例子進行訓練，因此它不會捕獲所有不同類型的系外行星，例如具有遙遠世界的太陽系。
「該算法錯過了特殊行星：那些信號形狀與普通行星不同的行星，」Dattilo說道。「瓦解行星就是一個例子，這些行星的形狀轉變不同於典型行星。這意味著人類天文學家，仍然需要找到更有趣的行星，」Dattilo說。
然而，儘管如此，Dattilo認為神經網路，仍然可用於尋找，由NASA的TESS太空望遠鏡發現的新行星。該航太飛行器去年發射升空，預計將在兩年內，發現成千上萬的系外行星。
「同樣的方法應該適用於未來的TESS，因為TESS的工作方式與Kepler和K2相同 － 它們可以測量恆星亮度的變化，」Dattilo說，「但是，我懷疑需要做出一些改變。我對開普勒到K2代碼進行了更改，而TESS數據與開普勒或K2數據非常不同，因為它可以在更短的時間內查看恆星。」
這不是AI第一次幫助科學家，找到新的世界。去年，一個使用機器學習的類似研究小組，偶然發現了繞過先前錯過的開普勒90星的第八顆行星。這一發現使開普勒－90 成為唯一一個擁有八個行星的行星系統，就像我們自己的太陽系一樣，我們已經看到了。
 |
沒有留言:
張貼留言