Исследователи нацеливают ИИ на поиск экзопланет

Новое исследование Университета Джорджии показывает, что искусственный интеллект может быть использован для поиска планет за пределами нашей Солнечной системы. Недавнее исследование продемонстрировало, что машинное обучение может быть использовано для поиска экзопланет - информация, которая может изменить то, как ученые обнаруживают и идентифицируют новые планеты, расположенные очень далеко от Земли.

"Одна из новинок - анализ среды, в которой планеты все еще формируются", - сказал Джейсон Терри, докторант кафедры физики и астрономии Колледжа искусств и наук имени Франклина UGA и ведущий автор исследования. "Машинное обучение редко применялось к такому типу данных, которые мы используем раньше, особенно для изучения систем, в которых все еще идет активное формирование планет".

Первая экзопланета была обнаружена в 1992 году, и хотя известно о существовании более 5 000 планет, ученым было легче всего найти именно их. Экзопланеты на стадии формирования трудно увидеть по двум основным причинам. Они находятся слишком далеко, часто в сотнях световых лет от Земли, а диски, в которых они формируются, очень толстые, толще, чем расстояние от Земли до Солнца. Данные показывают, что планеты, как правило, находятся в центре этих дисков, передавая сигнатуру пыли и газов, поднятых планетой.

Исследование показало, что искусственный интеллект может помочь ученым преодолеть эти трудности.

"Это очень интересное доказательство концепции", - сказала Кассандра Холл, доцент астрофизики, главный исследователь исследовательской группы по изучению формирования экзопланет и планет и соавтор исследования. "Сила в том, что мы использовали исключительно синтетические данные телескопов, полученные с помощью компьютерного моделирования, для обучения этого ИИ, а затем применили его к реальным данным телескопов. Такого еще не было в нашей области, и это открывает путь к огромному количеству открытий по мере поступления данных с телескопа Джеймса Уэбба".

Космический телескоп "Джеймс Вебб", запущенный НАСА в 2021 году, открыл новый уровень инфракрасной астрономии, принеся ученым потрясающие новые изображения и огромные массивы данных для анализа. Это всего лишь последняя итерация стремления агентства найти экзопланеты, неравномерно разбросанные по галактике.

Обсерватория Нэнси Грейс Роман, 2,4-метровый обзорный телескоп, запуск которого запланирован на 2027 год и который будет искать темную энергию и экзопланеты, станет следующим крупным расширением возможностей и доставки информации и данных для поиска жизни во Вселенной.

Телескоп "Уэбб" позволит ученым рассмотреть экзопланетные системы в чрезвычайно ярком и высоком разрешении, при этом сами формирующиеся среды будут представлять большой интерес, поскольку они определяют результирующую Солнечной системы.

"Потенциал для получения хороших данных резко возрастает, так что это очень захватывающее время для данной области", - сказал Терри.

Новые аналитические инструменты необходимы

Для получения высококачественных данных срочно необходимы аналитические инструменты нового поколения, чтобы ученые могли больше времени уделять теоретическим интерпретациям, а не скрупулезному прочесыванию данных и поиску крошечных сигнатур.

"В некотором смысле, мы как бы просто сделали человека лучше", - говорит Терри. В значительной степени способ анализа этих данных заключается в том, что у вас есть десятки, сотни изображений для определенного диска, и вы просто просматриваете их и спрашиваете "это вихляние?", затем запускаете десяток симуляций, чтобы увидеть, является ли это вихлянием, и... их легко не заметить - они действительно крошечные, и это зависит от очистки, поэтому этот метод, во-первых, очень быстрый, а во-вторых, его точность позволяет найти планеты, которые человек мог бы пропустить".

Терри говорит, что это то, чего машинное обучение уже может достичь - улучшить человеческие возможности, чтобы сэкономить время и деньги, а также эффективно направлять научное время, инвестиции и новые предложения.

"В науке, и особенно в астрономии в целом, сохраняется скептическое отношение к машинному обучению и ИИ, обоснованная критика того, что это "черный ящик", где у вас сотни миллионов параметров, и вы каким-то образом получаете ответ. Но мы считаем, что в этой работе мы убедительно продемонстрировали, что машинное обучение справляется с этой задачей. Можно спорить об интерпретации. Но в данном случае у нас есть очень конкретные результаты, которые демонстрируют силу этого метода".

Работа исследовательской группы направлена на разработку конкретной основы для будущих приложений на данных наблюдений, демонстрируя эффективность метода с помощью имитационных наблюдений.