В первый раз астрологи употребляли метод машинного обучения – форму самообучающегося ИИ – для доказательства существования экзопланет в данных, собранных сейчас ушедшим на пенсию галлактическим телескопом Кеплер.
Метод, который был разработан, чтоб различать настоящие миры от неверных срабатываний телескопов, подтвердил в общей трудности 50 экзопланет, от газовых гигантов размером с Нептун до внеземных планет меньше Земли.
В 1995 году группа европейских астрологов сделала потрясающее объявление о том, что они нашли 1-ый подтвержденный мир, крутящийся вокруг иной звезды – огромного жаркого шара размером приблизительно половину Юпитера, получившего заглавие 51 Pegasi b.
С момента открытия данной нам первой экзопланеты, астрологи изучают звезды в поисках свидетельств существования остальных миров, которые могут прятаться по всей нашей галактике.
С течением времени способы охоты за планетками эволюционировали, и были запущены особые телескопы, такие как Kepler, а потом и TESS, чтоб изучить необъятные участки неба в поисках укрытых миров. Их существование определяли в виде повторяющегося, соответствующего падения света дальной звезды, которое происходит, когда планетка проходит меж ее диском и наблюдающим телескопом. Этот тип открытия экзопланет известен как способ транзита.
Усилия не прошли даром. Астрологи открыли наиболее 4200 миров, крутящихся за пределами нашей Галлактики, и наиболее 5000 экзопланет-кандидатов.
Эти миры-кандидаты требуют предстоящего наблюдения, чтоб убедиться, что провалы в освещении, регистрируемые телескопами, не являются результатом другого явления, такового как присутствие иной звезды, вращающейся на одной орбите, помехи от фоновых объектов либо незначимых ошибок при сборе данных обсерваторией.
Астрологи сейчас обращаются к машинному обучению, чтоб посодействовать им проанализировать реальный океан данных телескопов и отсеять неверные срабатывания.
Методы машинного обучения могут, как надо из наименования, извлекать уроки из прошедшего опыта, чтоб с течением времени равномерно увеличивать свою точность и производительность.
Смотрите такжеАстрономия
В нашей галактике могут быть млрд планет-изгоев
23.08.2020Астрономия
Материал от взрыва сверхновой Кеплера не замедлился спустя 400 лет
20.08.2020
Ученые из физического факультета Уорикского института и Института Алана Тьюринга сделали метод поиска экзопланет и научили на 2-ух огромных подборках данных, захваченных сейчас несуществующим галлактическим телескопом Кеплера. Один из наборов данных был заполнен уже подтвержденными планетками, а иной – известными неверными срабатываниями.
Потом команда запустила метод на выборке неподтвержденных кандидатов на экзопланеты, также из архивов Кеплера. Неважно какая экзопланета, возможность неверного срабатывания которой составляла наименее 1-го процента, числилась подтвержденной.
«Что касается проверки планет, никто ранее не употреблял технику машинного обучения. Машинное обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) использовалось для ранжирования планетных кандидатов, но никогда в вероятностной структуре, что и нужно для подлинной проверки планетки», – объясняет Дэвид Армстронг. из Уорикского института.
«Заместо того, чтоб гласить, какие кандидаты с большей вероятностью будут планетками, сейчас мы можем сказать, какова четкая статистическая возможность».
Метод сумел статистически подтвердить существование 50 экзопланет на базе данных – кандидатов, начиная от крохотных внеземных миров меньше Земли и заканчивая большими газовыми гигантами размером с Нептун.
По словам создателей исследования, метод был на сто процентов автоматизирован и сумел отделить неверные срабатывания от настоящих экзопланет резвее, чем это было бы может быть в неприятном случае.
Ученые считают, что при доказательстве открытий в дальнейшем следует сочетать несколько способов доказательства экзопланет, включая их свой автоматический метод.
«Практически 30 процентов узнаваемых на нынешний денек планет были испытаны с внедрением лишь 1-го способа, и это не совершенно», – разъясняет Дэвид Армстронг. «Разработка новейших способов валидации желательна лишь по данной нам причине. Но машинное обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) также дозволяет нам созодать это весьма стремительно и еще резвее определять ценности кандидатов».
Двигаясь вперед, исследователи хотят продолжить обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) метода и уповают применить собственный метод к наиболее большим подборкам экзопланет, собранным при помощи TESS, и к будущим миссиям, таковым как запланированная миссия ЕКА по планетарным транзитам PLATO.
Статья была размещена в Monthly Notices of the Royal Astronomical Society
Источник: