Поиск планет

Есть несколько способов найти планету, но наиболее успешный заключается в изучении транзитов. Когда экзопланета проходит перед своей родительской звездой, она блокирует часть видимого нами света.

Наблюдая за множеством орбит экзопланет, астрономы создают картину провалов света, которую они могут использовать для определения свойств планеты - таких как ее масса, размер и расстояние от звезды. Космический телескоп НАСА Кеплер с большим успехом применил эту технику, наблюдая за тысячами звезд одновременно, следя за

Люди довольно хорошо видят эти провалы, но этот навык требует времени на развитие. С большим количеством миссий, посвященных поиску новых экзопланет, таких как у НАСА (транзитный спутник исследования экзопланет), люди просто не могут угнаться за ними. Здесь на помощь приходит ИИ.

Методы анализа временных рядов, которые анализируют данные как последовательную последовательность во времени, были объединены с типом искусственного интеллекта, чтобы успешно идентифицировать сигналы экзопланет с точностью до 96%.

Гравитационные волны

Модели временных рядов не только отлично подходят для поиска экзопланет, они также идеальны для обнаружения сигналов самых катастрофических событий во Вселенной - слияния черных дыр и нейтронных звезд.

Когда эти невероятно плотные тела падают внутрь, они излучают рябь в пространстве-времени, которую можно обнаружить, измеряя слабые сигналы здесь, на Земле. Коллективы детекторов гравитационных волн Американской обсерватории Ligo и Европейской Virgo определили сигналы десятков этих событий с помощью машинного обучения.

Обучая модели на смоделированных данных слияния черных дыр, команды из Ligo и Virgo могут идентифицировать потенциальные события в те моменты, когда они происходят, и отправлять предупреждения астрономам по всему миру, чтобы они повернули свои телескопы в правильном направлении.

Изменения в небе

Когда обсерватория Веры Рубин, которая в настоящее время строится в Чили, будет запущена, она будет каждую ночь обследовать все ночное небо, собирая более 80 терабайт изображений за один раз, чтобы увидеть, как звезды и галактики во Вселенной меняются со временем. Один терабайт - это 8 000 000 000 000 бит.

В ходе запланированных операций «Унаследованное исследование пространства и времени», проводимое Рубин, соберет и обработает сотни петабайт данных. Чтобы выразить это в контексте, 100 петабайт - это пространство, необходимое для хранения каждой фотографии на Facebook, или около 700 лет видео высокого разрешения.

«Вы не сможете просто войти на серверы и загрузить эти данные, и даже если бы у вас получилось, вы не смогли бы найти то, что ищете».

Методы машинного обучения будут использоваться для поиска в этих опросах следующего поколения и выделения важных данных. Например, один алгоритм может искать на изображениях редкие события, такие как сверхновые - драматические взрывы в конце жизни звезды, - а другой может искать квазары. Обучая компьютеры распознавать сигналы определенных астрономических явлений, команда сможет передавать нужные данные нужным людям.

Гравитационные линзы

По мере того как мы собираем все больше и больше данных о Вселенной, нам иногда даже приходится отбирать ненужную информацию и отбрасывать ее. Итак, как мы можем найти самые редкие объекты в массивах данных?

Одно небесное явление, которое волнует многих астрономов - это сильные гравитационные линзы. Вот что происходит, когда две галактики выстраиваются в линию вдоль нашего луча зрения, а гравитация ближайшей галактики действует как линза и увеличивает более далекий объект, создавая кольца, кресты и двойные изображения.

Найти эти линзы - все равно что найти иголку в стоге сена. Стоге сена размером с наблюдаемую Вселенную. Этот поиск будет только усложняться по мере того, как мы собираем все больше и больше изображений галактик.

В 2018 году астрономы со всего мира приняли участие в конкурсе Strong Gravitational Lens Finding Challenge, где они соревновались, чтобы узнать, кто сможет создать лучший алгоритм для автоматического поиска этих линз.

Победитель этой задачи использовал модель, называемую сверточной нейронной сетью, которая учится разбивать изображения с помощью различных фильтров, пока не сможет классифицировать их как содержащие линзу или нет. Удивительно, но эти модели обнаружили тонкие различия в изображениях, незаметные для человеческого глаза.