211service.com
Deep learning har fundet to exoplaneter, som menneskelige astronomer savnede
Daniel Fabrycky | NASA
Søgningen efter planeter, der kredser om andre stjerner, har nået industriel skala. Astronomer har opdaget over 4.000 af dem, mere end halvdelen ved hjælp af data fra Kepler-rumteleskopet, et kredsende observatorium designet til dette formål.
Kepler blev lanceret i 2009 og observerede et fast synsfelt i mange måneder og ledte efter de små periodiske ændringer i stjernernes lysstyrke forårsaget af planeter, der bevægede sig foran dem.
Men i 2012 løb missionen ind i problemer, da et af rumfartøjets fire reaktionshjul svigtede. Disse hjul stabiliserer fartøjet, så det kan pege præcist i en bestemt retning. I 2013 fejlede et andet reaktionshjul, hvilket efterlod missionen i fare.
Som en løsning udtænkte ingeniører en måde, hvorpå det forkrøblede rumfartøj kunne fortsætte med at indsamle data med mindre præcision og mere støj. De kaldte denne del af missionen K2. Astronomer fortsatte med at finde nye exoplaneter i K2-dataene, men med en meget lavere hastighed end før.
Det førte dem til en interessant mulighed. Det er klart, at exoplanetsignaturerne stadig skal være til stede, men de blev savnet på grund af den ekstra støj. Hvis nogen kunne finde en måde at systematisk fjerne denne støj og studere de resulterende signaler, så kunne de savnede exoplaneter blive afsløret.
Indtast Anne Dattilo og kolleger ved University of Texas i Austin, som har skabt et dybt-lærende neuralt netværk kaldet AstroNet-K2, der kan udføre denne dataanalyse for sig selv. Forskerne siger, at det dramatisk fremskynder processen med at udvinde K2-dataene og har endda set exoplaneter, som erfarne astronomer havde overset.
Processen med at opdage exoplaneter involverer flere stadier. Først skal astronomerne udtrække lyskurverne for hver stjerne og vise dens lysstyrke over tid. Derefter studerer de hver kurve for at se, hvordan den ændrer sig over tid.
Det neurale netværk udfører præcis denne proces og filtrerer derefter datasættet. For eksempel, fordi exoplaneter er bittesmå i forhold til deres moderstjerne, betegnes enhver lyskurve med en variation større end 3 % som et binært stjernesystem. Variationen i lys skal også være periodisk for at indikere en exoplanet, så enkelte variationer kan også ignoreres.
På denne måde filtrerer det neurale netværk en stor procentdel af falske positiver fra. AstroNet-K2 har stor succes med at klassificere exoplaneter og falske positiver med en nøjagtighed på 98 % på vores testsæt, siger Dattilo og co.
Da holdet satte det i gang med de støjende K2-data, opdagede det straks to exoplaneter. Mellem december 2016 og marts 2017 passerede Mars gennem Keplers synsfelt. Den røde planet er særlig lysstærk sammenlignet med baggrundsstjernerne og introducerer derfor alle former for spredt lys og støj, som maskerer exoplanets signaturer.
Men mens dette forvirrede menneskelige astronomer, opdagede AstroNet-K2 hurtigt de nye exoplanetsignaturer. Den første er en hævet planet i superjordstørrelse med en flygtig kappe, der kredser om en sollignende stjerne hver 13. dag. Den har en overfladetemperatur på omkring 750 °C.
Den anden er en stenet superjordplanet, der også kredser om en sollignende stjerne, men med en periode på kun tre dage. Så det er meget tættere og varmere - omkring 1.400 °C, varmt nok til at smelte aluminium.
Denne forskning har potentialet til at automatisere meget af arbejdet involveret i jagt på eksoplaneter. En stor fordel er, at maskinbaseret opdagelse ikke lider af de samme slags skævheder, som mennesker kan vise.
Så AstroNet-K2 kan studere forskellige områder af galaksen på nøjagtig samme måde ved at se på stjerner, der er dannet i forskellige miljøer. Resultaterne skulle gøre det muligt for astronomer at studere, hvordan exoplanetpopulationer adskiller sig i disse områder.
AstroNet-K2 er selvfølgelig ikke perfekt. Den opdager kun exoplanetsignaturer, som den er blevet trænet til at genkende, og ignorerer alt interessant, der kunne pege på nye opdagelser. Så det kræver stadig menneskelig opsyn.
Mennesker er gode til at genkende usædvanlige signaler, som maskiner vil fejlklassificere eller ikke genkende som interessante, hvilket er afgørende for at opdage interessante og mærkelige facetter af universet, siger Dattilo og co. Så astronomer behøver ikke begynde at lede efter nye job endnu.
Ref: arxiv.org/abs/1903.10507 : Identifikation af exoplaneter med dyb læring II: To nye superjorde afdækket af et neuralt netværk i K2-data