Исследователь обнаружил неоткрытый мир с помощью машинного обучения.
До недавнего времени человечеством были открыты только две новые планеты: Уран и Нептун. Эти холодные газовые гиганты на краю нашей Солнечной системы находятся так далеко, что практически невидимы невооруженным глазом.
Хотя в нашей Солнечной системе всего восемь планет, за пределами солнечной системы есть тысячи других. Существование внесолнечных планет, или сокращенно экзопланет, было впервые доказано в 1992 году после открытия Полтергейста и Фобетора, вращающихся вокруг пульсирующей звезды, находящейся на расстоянии 2300 световых лет от Земли.
С тех пор было подтверждено существование более 5500 экзопланет – совершенно чуждых миров, что подтолкнуло ученых признать, что почти каждая звезда в ночном небе, вероятно, имеет на своей орбите по крайней мере одну планету. Машинное обучение может значительно ускорить темпы открытий.
Как обнаруживают экзопланеты?
В настоящее время наиболее плодотворны два метода обнаружения экзопланет: транзитный метод (открыто 4125 планет) и метод лучевых скоростей (1066 планет).
Первый метод направлен на наблюдение небольшого затемнения звезды. Когда объект проходит прямо между своей звездой и наблюдателем, он на измеримую величину затемняет свет звезды, указывая на присутствие планеты.
Второй метод, также известный как «наблюдение за колебанием», определяет, влияет ли планета на свою родительскую звезду, вызывая ее колебание. Этот метод основан на том факте, что звезда не остается неподвижной, когда вокруг нее вращается планета.
Но есть и другой путь: искусственный интеллект. Чтобы сделать задачу интереснее, команда учёных сосредоточилась на звезде с протопланетным диском — скоплением газа и пыли, образующим планеты, вокруг молодой звезды.
ИИ нужен, чтобы определить, содержит ли наблюдение протопланетного диска планету. Однако на данный момент наблюдений недостаточно для обучения эффективных моделей.
Как научить ИИ охотиться за планетами?
Чтобы создать набор данных, исследователи провели множество компьютерных симуляций.
Моделирование звездных систем позволит ученым узнать точные параметры того, как выглядит и ведет себя протопланетный диск, содержащий планеты. Чтобы проверить точность моделирования, исследователи применили его ко всем планетарным дискам, на которых ранее было обнаружено наличие планет.
Это позволило создать модели машинного обучения, которые затем можно было применить к наблюдениям. Используя эти методы, учёные будут передавать наблюдения через модели машинного обучения. Модели дадут оценку того, существует ли планета.
После обучения ИИ ему предоставляются фактические данные наблюдений. Одной из звезд с протопланетными дисками, которая интересовала команду учёных, была HD 142666, желто-белая звезда в 477 световых годах от Солнца. В двух шагах по космическим меркам.
После того, как учёные проверили модели HD 142666, большинство из них вернулись с уровнем достоверности 95%. Это означает, что модель была крайне уверена, что планета существует.
Вот он, HD 142666 b, ранее неизведанный мир. Планета Терри в пять раз массивнее Юпитера, самой большой планеты в нашей Солнечной системе, и находится на расстоянии 75 астрономических единиц (а.е.) от своей родительской звезды. Для сравнения, одна а.е. равна расстоянию между Землей и Солнцем.
Обнаружение невидимого
Отличительной особенностью применения моделей машинного обучения для открытия планет является то, что исследователи могут заглянуть внутрь модели, чтобы увидеть, на чем она фокусируется, когда решают, где на изображении, по мнению модели, находится критически важная информация.
Даже если модели недостаточно, чтобы определить, скрывается ли в данных планета, исследователи могут сосредоточиться на конкретных точках данных, которые модель считает критическими. Именно это и произошло с наблюдениями HD 142666.
Как только ИИ указал, что в звездной системе может находиться планета, команда Терри сосредоточилась на точной точке данных, которая, по мнению модели, имела наибольшее значение. Проанализировав данные наблюдений, они пришли к выводу, что существует возмущение, которое выглядит точно так же, как то, которое могла бы создать планета.
Когда я смогу найти планету?
Последствия применения машинного обучения для обнаружения планет имеют далеко идущие последствия. Во-первых, хотя искусственный интеллект и не идеален, он очень хорош в обработке больших наборов данных. Вооружившись моделями обнаружения планет, ученые могли бы просмотреть огромные объемы уже существующих звездных данных в поисках доказательств существования планет.
Терри считает, что модель, которую он и его команда разработали, можно усовершенствовать для поиска планет вокруг полностью сформировавшихся звезд. Машинное обучение может стать настолько чувствительным, что сможет обнаруживать меньшие планеты, очень похожие на те, что находятся в окрестностях Солнца. Миры, которые могли бы иметь каменистую поверхность, тепло, жидкую воду и, возможно, даже жизнь.
Хотя это потребует дополнительного времени и ресурсов, модель, использованная для обнаружения HD 142666 b, может быть перепрофилирована для использования широкой публикой. Это означает, что гражданские астрономы вскоре смогут присоединиться к охоте за планетами, увеличив число известных экзопланет в несколько раз.
Доказательства развеют скептицизм
Одним из наиболее перспективных направлений научного применения машинного обучения в астрономии является наблюдательный анализ. Например, мощные инструменты, такие как космический телескоп Джеймса Уэбба (JWST), способны выполнять интегральную полевую спектроскопию (IFS), картируя всю Вселенную.
Нет причин, по которым подобные методы не могут быть применимы к остальным данным в целом. Учёные могли бы наблюдать остатки сверхновых, целый ряд действительно важных и интересных вещей.
Например, первые экзопланеты были обнаружены после пересмотра старых данных. Хотя это открытие сделали люди, а не ИИ, оно служит примером сокровищ, спрятанных в огромных объемах данных, которые ученые могут считать уже обработанными.
Однако прежде чем астрономы и астрофизики добавят ИИ в свой набор инструментов, скептикам машинного обучения придется доказать свою неправоту. Любой, кто когда-либо использовал генеративный искусственный интеллект, такой как ChatGPT или Google Bard, может сказать, что современные инструменты далеки от совершенства.
Ученые, картографирующие небо, могут скептически относиться к проблеме черного ящика, где нет четкого ответа на вопрос, почему модель ИИ дает такие результаты. Например, модель машинного обучения могла бы сообщить ученым, что данные указывают на наличие галактики, но не могла бы сказать, почему она пришла к такому выводу.
Однако в последние несколько лет исследователи начали знакомиться с использованием ИИ для исследований. И это приводит к удивительным открытиям. Так что, в будущем, всё больше учёных будет пользоваться этими технологиями.
