Астрономи навчили штучний інтелект шукати протопланетні диски
Астрономи пристосували систему машинного навчання шукати протопланетні диски навколо зірок. Програма виявила 367 нових об'єктів для подальших досліджень.
Про це повідомляє журнал Astronomy and Computing.
Читайте також: Штучний інтелект виявив на Місяці 6 тисяч раніше невідомих кратерів
Автори нової роботи під керівництвом Тем Нгуєн з Массачусетського технологічного інституту спиралися на дані проекту громадянської науки Disk Detective. Його учасники вивчають знімки зірок, отримані в рамках декількох оглядів, і намагаються визначити, чи оточене світило газопиловим диском.
Для навчання класифікатора методом опорних векторів астрономи використовували результати аналізу огляду, виконаного інфрачервоним телескопом WISE. Вони виділили 114 зірок, які були відібрані для подальших спостережень аргентинської обсерваторії CASLEO. Вони вважаються хорошими кандидатами для виявлення протопланетних дисків. Крім того, вчені використовували два додаткових набори даних: один складався з 13 "перспективних" зірок, а другий включав 138 завідомо непридатних об'єктів.
Отримані алгоритмом результати збігалися з класифікацією, зробленою людьми, в 97% випадків. Крім того, програма змогла виявити сліди 367 протопланетних дисків, які раніше були невідомі дослідникам. Всі вони знаходяться навколо зірок, у яких вже є відомі екзопланети (алгоритм обробляв дані архіву NASA Exoplanet Archive). Подальші спостереження обраних об'єктів дозволять перевірити точність роботи системи.
Читайте також: Штучний інтелект навчили малювати оголені тіла: фото
Що таке машинне навчання? це підгалузь інформатики (зокрема, м'яких та гранульованих обчислень), яка еволюціювала з дослідження розпізнавання образів та теорії обчислювального навчання в галузі штучного інтелекту. Машинне навчання досліджує вивчення та побудову алгоритмів, які можуть навчатися з даних, і виконувати передбачувальний аналіз на них. Такі алгоритми діють шляхом побудови моделі зі зразкового тренувального набору вхідних спостережень, щоби здійснювати керовані даними прогнози або ухвалювати рішення, виражені як виходи, замість того, щоби суворо слідувати статичним програмним інструкціям.
Астрономи дуже часто працюють з великими масивами даних, і нерідко їм доводиться переглядати їх вручну. Щоб полегшити завдання, дослідники в останні роки все частіше використовують нейромережі і алгоритми машинного навчання, які дозволяють не тільки автоматизувати процес, але і помітно його прискорити.