互联网

当前位置/ 首页/ 新闻频道互联网 正文

谷歌和大学的研究人员正在利用深度学习来发现系外行星

谷歌和多所大学的研究人员使用一个名为AstroNet K2的卷积神经网络发现了两颗新的系外行星(太阳系外的行星)。另外14个物体也可以被确定为系外行星并进行额外的研究。

该公告建立在去年由哈佛大学天体物理学家安德鲁范德堡和谷歌人工智能的克里斯沙利尔发布的研究基础上,该研究 使用机器学习筛选美国宇航局的开普勒数据,以寻找太空中的天体。谷歌后来开放了其在GitHub上用Kepler数据训练的系外行星搜索模型。

“这项工作非常重要,因为这是神经网络首次成功应用于K2数据,”德克萨斯大学研究助理Anne Dattilo在电话采访中告诉VentureBeat。“不同类型的机器学习已应用于所有不同类型的天文数据集,就像它的前身是开普勒数据一样,但由于望远镜不稳定,因此K2数据存在不同的挑战。”

在2009年发射后的前四年,开普勒太空望远镜被用来研究在恒星前方经过的类似地球的行星。望远镜观测了超过200,000颗恒星,但机械故障导致它无法聚焦在天空的一部分上,从而导致更多零星的数据采集。美国宇航局去年正式退役开普勒。

为了克服这种挫折,收集并检查了超过30,000张具有前景特征的图像,超过22,000张用于训练半监督的AI系统。据报道,AstroNet K2在测试数据集中的准确率为98%。

Google Brain团队的成员; 加州大学伯克利分校和德克萨斯大学奥斯汀分校的天文学系; 哈佛 - 史密森尼天体物理中心在一篇论文中分享了这些发现。他们得出结论,AstroNet K2“尚未准备好完全自动检测和识别行星候选者”,因为存在大量误报,但它可能会增加天文学家努力更好地了解宇宙的努力。

“它不仅仅给了我们一些候选人并且说,'这些就是那些。这些是行星,就是这样。它返回了一大堆被假阳性信号挫伤的东西。所以你需要一个人类天文学家的帮助来分类那些,看看什么不是一个星球。但是,而不是20,000个信号,现在你只需要查看1,000个信号,这样可以节省很多时间,“Dattilo说。

她说,AstroNet K2将进一步完善,与其前身一样,开源将包括更广泛的AI社区。

该模型不是第一次使用机器学习来探索宇宙。寻找外星智能研究所(SETI)也使用人工智能来扩展和提高其在宇宙中寻找外星生命的能力。