Google AI ontdekt twee nieuwe exoplaneten in verre zonnestelsels met behulp van deep learning

• Google gebruikte Deep Neural Network om de gegevens van Kepler te analyseren. 
• Ze hebben twee nieuwe exoplaneten gevonden:Kepler-90i en Kepler-80g. 
• Het model dat ze hebben ontwikkeld is ongeveer 96% nauwkeurig in het onderscheiden van planeten en niet-planeten. 

Eeuwenlang hebben mensen naar sterren gekeken, patronen opgemerkt en waarnemingen vastgelegd. Een van de eerste dingen die in de ruimte werden ontdekt, waren planeten, die de Grieken ‘wanderers’ of ‘planētai’ noemden vanwege hun onregelmatige bewegingen. Geleidelijk aan kwamen we erachter dat ons zonnestelsel verschillende planeten herbergt die rond de zon draaien.

Met behulp van moderne technologieën zoals digitale camera's, ruimtevaart, telescoopoptiek en computers kunnen we onze kennis uitbreiden tot buiten ons eigen zonnestelsel en planeten op duizenden lichtjaren afstand van de aarde detecteren/identificeren. Ze heten exoplaneten – onderdeel van een ander zonnestelsel ver in de ruimte.

Het vinden van exoplaneten is echter een uiterst moeilijke taak. In tegenstelling tot hun gaststerren zijn ze klein, koud en donker. Momenteel gebruiken we machine learning-technieken om exoplaneten nauwkeurig te detecteren. Google gebruikt een van deze technieken en heeft twee extoplaneten ontdekt:Kepler 90i, die rond de gele dwergster Kepler 90 draaien, en Kepler-80g, die rond Kepler 80 draait. Laten we eens kijken hoe ze dat hebben gedaan.

Gebruikte gegevens

De belangrijkste methode om exoplaneten te doorzoeken is het analyseren van een enorme hoeveelheid gegevens die zijn vastgelegd door NASA's Kepler-ruimtetelescoop met behulp van zowel handmatige analyse als geautomatiseerde software. In vier jaar tijd heeft de telescoop ongeveer 200.000 sterren waargenomen, waarbij elk half uur een beeld werd vastgelegd. Keplers enige wetenschappelijke instrument, Photometer, bewaakt continu de helderheid van meer dan 145.000 hoofdreekssterren in een vast gezichtsveld. Deze gegevens worden naar de aarde gestuurd en vervolgens diepgaand onderzocht om de periodieke verduistering van exoplaneten, veroorzaakt door de rotatie rond hun moederster, te identificeren.

Dit alles levert ongeveer 14 miljard datapunten op, wat zich verder vertaalt in ongeveer 2 biljard mogelijke planeetbanen. Zelfs de krachtigste computer doet er extreem lang over om deze enorme hoeveelheden gegevens te verwerken. Om dit proces sneller en efficiënter te maken, gebruikte Google Deep Learning-tools en -technieken.

De Machine Learning-aanpak

Machine learning is de vorm van kunstmatige intelligentie die computers leert specifieke patronen te herkennen. Het is met name nuttig bij het begrijpen van grote hoeveelheden gegevens. Het idee hier is om machines te laten leren door training en voorbeelden, in plaats van ze te programmeren met bepaalde regels.

Afbeelding tegoed:NASA

Deep learning, een vorm van machinaal leren, maakt gebruik van computerlagen om progressieve, complexe functies te creëren die nuttig zijn bij classificatieproblemen. Een model voor diepgaande beeldclassificatie kan bijvoorbeeld eerst eenvoudige randkenmerken herkennen die verder kunnen worden gebruikt om hoeken en rondingen te detecteren, totdat de laatste kenmerklaag van het model onderscheid kan maken tussen complexe objecten.

Diepe neurale netwerken (type deep learning-model) zijn de state-of-the-art geworden voor verschillende taken, waaronder beeldclassificatie. Meestal presteert het beter dan de modellen die zijn ontwikkeld met handontworpen functies. Een neuraal netwerk is getraind om een kostenfunctie te minimaliseren die meet hoe ver de voorspellingen afwijken van de werkelijke labels van de trainingsset.

Het Google AI-team gebruikte een dataset van meer dan 15.000 Kepler-signalen om een TensorFlow-model te maken waarmee planeten van andere hemellichamen konden worden onderscheiden. Om dit te doen moest het systeem het werkelijke patroon van de planeet detecteren en herkennen, versus patronen veroorzaakt door andere hemellichamen zoals dubbelsterren en sterrenvlekken.

Ze ontwikkelden een diep neuraal netwerk voor het automatisch onderzoeken van Kepler-drempeloverschrijdingsgebeurtenissen (TCE’s – gedetecteerde periodieke signalen, die mogelijk consistent zijn met transiterende planeten). Het model gebruikt lichtcurven als invoer en is getraind op een reeks door mensen geclassificeerde Kepler TCE's.

De invoerweergaven worden via afzonderlijke convolutiekolommen gevoed – een succesvolle methode in eerdere beeldclassificaties. Het is in staat om ruimtelichamen met behoorlijke nauwkeurigheid te onderscheiden – de subtiele verschillen tussen feitelijk passerende exoplaneten en valse positieven zoals instrumentartefacten, verduisterende dubbelsterren en stellaire variabiliteit.

Referentie:Harvard.edu

Resultaten

Toen het model op signalen werd getest, maakte het correct onderscheid tussen de signalen die werden gegenereerd door planeten en andere niet-planeten, met een nauwkeurigheid van 96 procent. Bovendien rangschikte het 98,8 procent van de tijd plausibele planeetsignalen hoger dan vals-positieve signalen.

Lees:NASA gaat kunstmatige intelligentie gebruiken voor ruimtecommunicatienetwerken

Om de zoektocht te verfijnen, hebben ze 670 sterren waargenomen die al twee of meer exoplaneten hebben. Tijdens de verwerking vonden ze twee nieuwe exoplaneten:Kepler-90i en Kepler-80g. De planeet Kepler 90i draait rond de Kepler-90, een ster waarvan voorheen bekend was dat hij zeven transiterende planeten herbergde. Terwijl Kepler-80g het deel is van een keten van vijf planeten rond de Kepler-80-ster, met een omlooptijd die bijna overeenkomt met de voorspelling van de Laplace-relaties met drie lichamen.

Bijna 13 procent groter dan de aarde, Kepler-80g (de buitenste planeet in zijn systeem) heeft een omlooptijd van 14,6 dagen en een inclinatiegraad van 89,35 +0,47-0,98.

Afbeeldingscredit:Google-blog

Kepler-90i is 34% groter dan de aarde met een omlooptijd van 14,45 dagen. Het is 2545 lichtjaar verwijderd van de aarde in het sterrenbeeld Draco. Het ligt tussen Kepler-90c (8,7 dagen) en Kepler-90d (59,7 dagen) met een extreem hoge oppervlaktetemperatuur – 436 °C.

Wat is het volgende?

Als het gaat om de mogelijkheden van het diepe neurale netwerk, is sky the limit. Van de 200.000 sterren wordt het model gebruikt om er slechts 670 te doorzoeken. Er zijn mogelijk honderdduizenden exoplaneten die nog niet zijn ontdekt in de gegevens van Kepler. De nieuwe technieken zoals deep learning zullen astronomen en natuurkundigen helpen dingen te ontdekken die buiten het menselijk bereik liggen.

Lees:De kunstmatige intelligentie van Google creëert een AI die de menselijke code verslaat

Dit model zou in de toekomst kunnen worden aangepast om de nauwkeurigheid ervan te verbeteren en bekende soorten valse positieven te verminderen. We kunnen bijvoorbeeld

• Vergroot de trainingsset door gesimuleerde gegevens of niet-gelabelde gegevens op te nemen (het huidige model gebruikt slechts ongeveer 15.000 gelabelde voorbeelden).
• Verbeter de vetmestroutine om het aantal signalen als gevolg van stellaire variabiliteit die als waarschijnlijke planeten worden geclassificeerd, te verminderen.
• Voeg een vorm van zwaartepuntinformatie toe aan de invoerrepresentatie om het vermogen van het systeem te verbeteren om transits te classificeren die plaatsvinden op een achtergrondster in plaats van op de doelster.
• Splits de lokale weergave in verschillende segmenten, zodat het systeem de consistentie van transits tussen verschillende segmenten van de dataset kan analyseren.