Der technologische Fortschritt hat einen tiefgreifenden Einfluss auf die Astronomie und Astrophysik. An einem Ende haben wir fortschrittliche Hardware wie adaptive Optik, Koronographen und Spektrometer, die es ermöglichen, mehr Licht aus dem Kosmos zu sammeln. Auf der anderen Seite haben wir verbesserte Software und maschinelle Lernalgorithmen, die es ermöglichen, die Daten zu analysieren und nach wertvollen Informationen zu suchen.
Ein Forschungsbereich, in dem sich dies als unschätzbar erweist, ist die Jagd nach Exoplaneten und die Suche nach Leben. An der University of Warwick entwickelten Techniker kürzlich einen Algorithmus, der die Existenz von 50 neue Exoplaneten . Beim Sortieren von Archivdaten war dieser Algorithmus in der Lage, eine Auswahl von Kandidaten zu sortieren und zu bestimmen, welche Planeten tatsächlich und welche falsch positiv waren.
Die Studie, die ihre Ergebnisse beschreibt, wurde kürzlich in der veröffentlicht Monatliche Mitteilungen der Royal Astronomical Society .Für ihre Studie, die von David J. Armstrong (Co-Leiter von Warwick’s Globale Forschungsgruppe Bewohnbarkeit und ein Mitglied der Zentrum für Exoplaneten und Bewohnbarkeit ) führte das Team auch den ersten groß angelegten Vergleich von Techniken zur Planetenvalidierung durch, die auf maschinellem Lernen beruhen.
Als Teil der Forschung zu künstlicher Intelligenz besteht maschinelles Lernen aus Algorithmen, die sich automatisch verbessern, wenn sie mehr Daten untersuchen. Sie sind besonders nützlich in der astrophysikalischen Forschung, wo die Menge an Rohdaten enorm ist und ständig wächst. In vielen Fällen erfordert dies die Untersuchung von Lichtkurven von Sternen, um periodische Einbrüche zu erkennen, die das Ergebnis eines Exoplaneten sein können, der relativ zum Beobachter vor ihnen vorbeizieht (auch bekannt als Transit).
Alternativ könnten sie Artefakte in den Daten oder das Ergebnis von Interferenzen sein. Dazu gehören Sterne, die sich in einem Doppelsternsystem umkreisen, Störungen durch ein Hintergrundobjekt oder sogar leichte Fehler in der Kamera. Diese falsch-positiven Ergebnisse müssen vom Rest getrennt werden, um die Existenz von Exoplaneten zu bestätigen und Ziele für Folgebeobachtungen auszuwählen.
Dies ist eine unglaublich zeitaufwändige Arbeit und erfordert unzählige Stunden von Forschern und freiwilligen Wissenschaftlern. Aus diesem Grund haben Forscher der Warwick Departments of Physics and Computer Science in Zusammenarbeit mit Wissenschaftlern von Das Alan Turing Institut , einen Algorithmus für maschinelles Lernen entwickelt, der genau diese Aufgabe mit großen Datenproben ausführen kann.
Das Forschungsteam, das diesen Algorithmus verwendete, untersuchte Tausende von Kandidaten, die von den inzwischen pensionierten NASA-Mitarbeitern gefunden wurden Kepler-Weltraumteleskop , die sich auf die Transitmethode um potenzielle Exoplaneten zu entdecken. Unter Verwendung von zwei von der Mission erhaltenen Datenproben (reale Planeten vs. falsch positive Ergebnisse) als Benchmark wandten die Forscher den Algorithmus auf einen Datensatz von noch unbestätigten Planeten an, die von . entdeckt wurdenKepler.
Künstlerisches Konzept der Kepler-Mission mit der Erde im Hintergrund. Bildnachweis: NASA/JPL-Caltech
Das Ergebnis waren fünfzig neue bestätigte Planeten, darunter der erste, der durch maschinelles Lernen validiert wurde. Diese reichten von Gasriesen in Neptungröße (oder möglicherweise Supererden) bis hin zu Minierden mit Umlaufbahnen von nur einem Tag bis zu 6,5 Monaten (200 Tagen). Nachdem diese Planeten nun bestätigt wurden, können Astronomen weitere Beobachtungen mit noch in Betrieb befindlichen Teleskopen priorisieren.
Die Bestätigung dieser Planeten war wegen des beträchtlichen Sprungs, den sie darstellen, von besonderer Bedeutung. In der Vergangenheit wurden Techniken des maschinellen Lernens verwendet, um Kandidaten einzustufen, jedoch nie, um unabhängig zu bestimmen, ob ein Kandidat wahrscheinlich Planet ist, ein wichtiger Schritt im Planet-Verifizierungsprozess. Als Dr. Armstrong erklärt :
„Der von uns entwickelte Algorithmus ermöglicht es uns, fünfzig Kandidaten über die Schwelle zur Planetenvalidierung zu bringen und sie zu echten Planeten aufzuwerten. Wir hoffen, diese Technik auf große Stichproben von Kandidaten aus aktuellen und zukünftigen Missionen wie TESS und PLATO anwenden zu können.
„In Bezug auf die Planetenvalidierung hat noch niemand eine Technik des maschinellen Lernens verwendet. Maschinelles Lernen wurde für das Ranking von planetaren Kandidaten verwendet, aber nie in einem probabilistischen Rahmen, was Sie brauchen, um einen Planeten wirklich zu validieren. Anstatt zu sagen, welche Kandidaten eher Planeten sind, können wir jetzt die genaue statistische Wahrscheinlichkeit angeben. Wenn die Wahrscheinlichkeit, dass ein Kandidat falsch positiv ist, weniger als 1 % beträgt, gilt er als validierter Planet.“
Dr. Theo Damoulas vom Department of Computer Science der University of Warwick, der auch Turing Fellow und stellvertretender Direktor des Rechenzentrumstechnik Programm am Alan Turing Institute, hinzugefügt :
„Probabilistische Ansätze für statistisches maschinelles Lernen eignen sich besonders für ein spannendes Problem wie dieses in der Astrophysik, das die Einbeziehung von Vorwissen – von Experten wie Dr. Armstrong – und die Quantifizierung von Unsicherheit in Vorhersagen erfordert. Ein Paradebeispiel, wenn sich der zusätzliche Rechenaufwand probabilistischer Methoden deutlich auszahlt.“
Diese Algorithmen sind nicht nur in der Lage, Datenmengen viel schneller als ein Mensch zu sortieren, sondern haben den zusätzlichen Vorteil, dass sie vollständig automatisiert sind. Dies macht sie ideal für operative Missionen wie die Transiting Exoplanet Survey Satellite (TESS), die kürzlich fertiggestellt Es wird erwartet, dass seine erste Himmelsdurchmusterung Tausende von Exoplaneten-Kandidaten hervorbringt.
Das Forschungsteam um Dr. Armstrong und Dr. Damoulas betonte jedoch, dass maschinelles Lernen nur eines der Werkzeuge sein sollte, die gemeinsam genutzt werden, um die Existenz von Exoplaneten in der Zukunft zu validieren. Wie Dr. Armstrong erklärte, wurde fast ein Drittel der bisher bestätigten Exoplaneten mit einer einzigen Methode validiert (meist Transit-Methode oder Radialgeschwindigkeits-Methode), was nicht ideal ist.
TOI 1338 b ist ein zirkumbinärer Planet, der seine beiden Sterne umkreist. Es wurde von TESS entdeckt. Bildquelle: Goddard Space Flight Center der NASA/Chris Smith
Gerade aus diesem Grund ist die Einbindung von maschinellem Lernen attraktiv, da es eine sehr schnelle Verifikationsebene hinzufügt, die ohne menschliche Steuerung auskommt und es Astronomen ermöglicht, Kandidaten schneller zu priorisieren. Als Dr. Armstrong hinzugefügt :
„Wir müssen noch Zeit damit verbringen, den Algorithmus zu trainieren, aber wenn das erledigt ist, wird es viel einfacher, ihn auf zukünftige Kandidaten anzuwenden. Sie können auch neue Entdeckungen einbeziehen, um sie schrittweise zu verbessern.
'Einer Umfrage wie TESS werden Zehntausende von planetaren Kandidaten vorhergesagt und es ist ideal, sie alle konsistent analysieren zu können. Schnelle, automatisierte Systeme wie dieses, die uns in weniger Schritten bis zu validierten Planeten führen können, lassen uns dies effizient tun.“
Die Forschung des Teams war dank der Unterstützung des Vereinigten Königreichs möglich Rat für Wissenschafts- und Technologieeinrichtungen (STFC), Teil von UK Forschung und Innovation , durch eine Ernest Rutherford-Stipendium .
Weiterlesen: Universität Warwick , MNRAS
