Данные - это все в астрономии. Вселенная расширяется, и количество информации, которую мы имеем о ней, также увеличивается. Однако одним из самых сложных аспектов будущего поколения астрономии будет определение того, как мы будем изучать все собранные нами данные.
Астрономы обращаются к машинному обучению и искусственному интеллекту (ИИ) для создания новых инструментов для быстрого поиска следующих значительных прорывов, чтобы справиться с этими трудностями. Вот четыре способа, которыми искусственный интеллект облегчает изучение космоса.
1. Охота на планет
Существует несколько методов определения местонахождения планеты, но исследование транзитов оказалось наиболее эффективным. Когда экзопланета проходит перед своей родительской звездой, часть света, который мы можем видеть, блокируется.
Наблюдая за несколькими орбитами экзопланет, астрономы составляют картину провалов в свете, по которой они могут определить параметры планеты, такие как масса, размер и расстояние от звезды. Космический телескоп "Кеплер", работающий под управлением Nasa, использовал эту технику с большим эффектом, одновременно сканируя тысячи звезд и ища характерные провалы, создаваемые планетами.
Люди прекрасно умеют обнаруживать эти провалы, но для этого нужна практика. Люди просто не успевают за растущим числом миссий, направленных на обнаружение новых экзопланет, таких как спутник Nasa (Transiting Exoplanet Survey Satellite). Именно здесь на помощь приходит искусственный интеллект (ИИ).
Методы анализа временных рядов, которые рассматривают данные в последовательности во времени, были интегрированы с искусственным интеллектом для точного обнаружения планетарных сигналов с точностью до 96 процентов.
2. Гравитационные волны
Модели временных рядов хороши не только для идентификации экзопланет; они также великолепны для обнаружения сигналов самых катастрофических событий во Вселенной, такие как слияния черных дыр и нейтронных звезд.
Когда эти массивные тела сталкиваются, они вызывают пульсации в пространстве-времени, которые можно обнаружить, анализируя слабые сигналы на Земле. Машинное обучение помогло определить сигнатуры многих из этих событий.
Искусственный интеллект может обнаружить перспективные события в течение нескольких мгновений после их возникновения, изучая данные о слиянии черных дыр и рассылая уведомления астрономам по всему миру, чтобы они направили свои обсерватории в соответствующем направлении.
3. Изменчивый космос
Когда строительство обсерватории Веры Рубин в Чили будет завершено, она будет каждую ночь осматривать все ночное небо, собирая за один раз более 80 терабайт данных, чтобы понять, как звезды и галактики во Вселенной меняются со временем. 8 000 000 000 000 000 000 битов составляют терабайт.
В ходе запланированных работ "Наследие Рубина" (Legacy Survey of Space and Time) будут собраны и обработаны сотни петабайт данных. Для сравнения, 100 петабайт - это примерно столько же места, сколько занимают все фотографии на Facebook, или около 700 лет видео в формате Full HD.
Вы не сможете просто подключиться к серверам и загрузить данные, а если бы и смогли, то не смогли бы их найти.
Для поиска в этих исследованиях нового поколения и выделения ключевых данных будут применяться методы машинного обучения. Один алгоритм может искать сверхновые - драматические взрывы в конце существования звезды, - в то время как другой будет искать квазары. Команда сможет отправлять нужные данные нужным людям, научив компьютеры распознавать сигналы конкретных астрономических явлений.
4. Гравитационные линзы
По мере того как мы собираем все больше и больше данных о Вселенной, нам время от времени приходится отсеивать и отбрасывать неактуальные данные. Как же найти в этих огромных массивах данных самые редкие объекты?
Сильные гравитационные линзы - это одно из небесных явлений, которым увлекаются многие астрономы. Когда две галактики сходятся в поле нашего зрения, гравитация ближайшей галактики работает как линза, увеличивая более удаленный объект, что приводит к появлению колец, крестов и двойных изображений.
Поиск этих линз подобен поиску иголки в стоге сена размером с известную Вселенную. По мере того как мы будем собирать все больше и больше фотографий галактик, поиск будет только усложняться.
В 2018 году астрономы со всего мира соревновались в конкурсе Strong Gravitational Lens Finding Challenge, чтобы выяснить, кто сможет создать лучший алгоритм для автоматического поиска таких линз.
Победитель этого испытания использовал модель конволюционной нейронной сети, которая учится разбивать изображения с помощью различных фильтров, пока не сможет отнести их к категории с наличием или отсутствием объектива. Удивительно, но эти алгоритмы превзошли человека в обнаружении мельчайших различий на фотографиях, которые мы, люди, с трудом замечаем.
В течение следующего десятилетия астрономы получат петабайты данных, или тысячи терабайт, с помощью новых инструментов, таких как обсерватория Веры Рубин. По мере того, как мы будем заглядывать все глубже во Вселенную, исследования астрономов будут все больше опираться на инструменты машинного обучения.
Читайте также:
Загадки космоса, которые ученые не могут изучить и объяснить!
