Peut-être les amateurs d'astronomie apprennent l'apprentissage machine, ère de l'intelligence artificielle, avec un télescope à l'étoile de chasse a un peu faible.

Lei Feng réseau par AI Technology Review: Décembre l'année dernière, Google a formé un réseau de neurones, une analyse de données par la NASA (NASA) Kepler Space Telescope obtenu, nous avons découvert deux exoplanètes. Le travail en tant que méthode de l'apprentissage automatique appliqué à un cas typique de l'astrophysique, ou va accélérer considérablement le rythme de l'exploration humaine des exoplanètes.

Et aujourd'hui, Google open source leur code. Tous les étudiants intéressés peuvent télécharger le code et les données en cours d'exécution sur leurs propres machines.

Lei Feng réseau REMARQUE: les exoplanètes moyens extérieurs des planètes du système solaire. Les astronomes ont estimé que la Voie Lactée peut contenir jusqu'à 400 milliards exoplanètes. A partir du 22 Février, 2016, le nombre total de planètes extrasolaires ont été identifiés pour 2085, ces planètes appartiennent à 1331 système planétaire, qui a plus de 509 systèmes planétaires. - via Wikipedia

Découvrez comment les astronomes exoplanètes?

ou la chasse Star de démarrage

Nous savons que la planète n'est pas lumineux, nous avons pu voir l'eau, le métal, le feu, le bois, Saturne, parce qu'ils reflètent les rayons du soleil, mais ces rayons par rapport aux étoiles est négligeable. Lorsque lointaines, même les étoiles massives sont difficiles à détecter sans doute, et encore moins ces exoplanètes.

Je pense que les astronomes d'une autre façon - quand la planète passe devant l'étoile bloquerait une partie de la lumière, ce qui nous amènerait à mesurer la luminosité des étoiles est légèrement réduit, en quittant Regagne, ils courbe la luminosité des étoiles apparaît cavité en forme de « U », de cette façon, les astronomes prouvent indirectement l'existence d'exoplanètes.

Cependant, il y a d'autres raisons peuvent entraîner une réduction de la luminosité mesurée des étoiles, tels que les systèmes binaires, les taches solaires stellaire (semblable à des taches solaires) ou frappé des rayons cosmiques à l'instrument bruit causé par le télescope spatial.

Pour rechercher des planètes dans les données spatial Kepler télescope, les astronomes utilisant un logiciel automatisé pour détecter les signaux qui peuvent être causés par un ombrage de la planète, puis suivre manuellement ces signaux pour déterminer à la fin est une planète ou faux positifs. Afin d'éviter trop de signaux détectés, de sorte qu'ils ne doivent pas traiter avec tant de mains, astronomes ont détecté automatiquement mis un Point de coupure: Seul le rapport signal sur bruit dépasse une valeur de seuil fixe sera extrait, sinon serait perdue. Mais même ainsi, il y a encore un grand nombre de signaux à détecter. Par exemple À ce jour, plus de 30000 signaux sont détectés sur manuellement, ce qui est vérifié à environ 2500 exoplanètes.

Vous pourriez aussi penser, définissez la valeur de seuil est susceptible de conduire à des signaux planétaires réels, il sont perdus? La réponse est oui. Cependant, l'intensité du travail limitée est trop grande, et d'abaisser le seuil de taux de détection de faux positifs est accompagnée par l'augmentation rapide de la proportion qui est en mesure de détecter la planète réelle deviendra de plus en plus faible.

Cependant, ces signaux qui pourraient perdre des corps célestes, nous sommes très préoccupés - planète potentiellement habitable (Terre comme des planètes). Ces planètes habitables en général relativement faible, et le mouvement entourant relativement sombre autour du soleil, qui signal de blocage sera très faible. Par conséquent, ces signaux sont en dessous du seuil peut être perdu trésor caché encore découvert.

Allez! Machine Learning!

La prise en compte des données de grande et de main-d'uvre, penser en termes d'une façon naturelle est: Machine Learning .

Sur la base des considérations ci-dessus, Google équipe cerveau trouvé Andrew Vanderburg Université Austin, UT, Vanderburg est un astrophysicien de renom, axée sur l'étude de l'exploration planétaire extrasolaire. Ils développent un réseau de neurones (modèle CNN), utilisé dans la détection de recherche de signal faible SNR exoplanètes.

Comme tous les modèles basés sur les réseaux de neurones, comme, ce modèle nécessite également l'ensemble de la formation. Heureusement, comme mentionné précédemment, nous avons déjà 30.000 signaux Kepler qui ont été manuellement par la détection et la classification des astronomes.

équipe Google utilise les données comme la moitié de la formation, dont 3500 signal est vérifié planètes ou candidats planétaires. L'entrée de réseau est deux vues séparées de la même courbe de lumière: un grand angle, permettant ainsi le modèle pour vérifier le signal lumineux ailleurs sur la courbe (par exemple, cause un signal binaire secondaire); a est une vue agrandie, le modèle pour vérifier attentivement forme du signal (par exemple, pour distinguer le signal « en forme de U » et la région de signal en « V »).

À la fin du modèle de formation, l'équipe Google de chercheurs a utilisé pour étudier les caractéristiques de la courbe de lumière, sont conformes à nos attentes pour tester la production du modèle. Le procédé est très simple, le système consiste à masquer une petite zone de la courbe de lumière d'entrée, pour détecter un changement dans la sortie du modèle. Les résultats montrent que, si le signal est déterminé à couvrir les domaines d'importance particulière, aussi un changement correspondant dans la sortie du modèle, mais si la zone masquée n'est pas important, n'a pas d'impact significatif.

Par exemple, ceci est le binaire suivant (plutôt que exoplanet) est un graphique de la lumière, faite le modèle de prédiction correct, dans lequel le point de surbrillance vert est que la plupart affectent les zones de sortie de modèle, car ils correspondent au système binaire les signaux secondaires. Lorsque ces points sont masquées, la sortie du modèle déterminé la probabilité de saut soudain exoplanètes de 0% à 40%.

Après la vérification ci-dessus, les chercheurs prédictifs capacité du modèle est pleine de confiance. Ils ont choisi 670 étoiles, vous pouvez rechercher un nouveau exoplanet souhaité dans leur courbe de lumière. Ceci est la raison pour laquelle la sélection de 670 étoiles, parce que nous savons que ces étoiles ont des planètes orbite plus, les chercheurs pensent que ces étoiles devraient également avoir quelques-unes des planètes encore à découvrir.

Les chercheurs sélectionnés signal de seuil de bruit est beaucoup plus faible que les astronomes définis précédemment. Comme prévu, le modèle de réseau de neurones pour déterminer les résultats montrent que la plupart du signal comme un faux signal, mais il est passionnant, il y a un petit nombre de la plupart des candidats probables pour exoplanètes. Ensuite, testé est déterminé dans lequel deux exoplanètes: Kepler-90i et Kepler-80g.

Amazing !

La chasse à l'étoile!

Nous avons trouvé deux nouvelles exoplanètes de 670 soleils. Ce travail ne peut être un début, mais loin d'être complète, parce que Kepler a observé des données pour les 200.000 étoiles. Qui sait quand l'application de cette technologie à l'ensemble des données de ce que nous trouverons.

La musique seule Better Together, Google équipe aujourd'hui cerveau open source leur code. Les étudiants intéressés peuvent souhaiter se joindre à cette star d'action de chasse populaire, naufrage planète peut travailler ensemble pour trouver leur propre.

ère amateur d'astronomes de l'intelligence artificielle, peut ne plus être tenue l'équipement coûteux dans la nature pour voir les étoiles, mais plutôt d'utiliser un outil plus puissant - l'apprentissage automatique pour rechercher l'univers.

Adresse Code: https: //github.com/tensorflow/models/tree/master/research/astronet

via Google Blog, Lei Feng réseau compilé AI Technology Review