17世纪,意大利天文学家伽利略发明了世界上第一台望远镜,也由此第一次观察到了月球上的山脉,土星的光环和环绕木星的卫星。今天,天文学家们依旧在向外太空探索,而不断进步的科技也为他们提供了更多新式武器。
最近,由英国华威大学的大卫•阿姆斯特朗(David Armstrong)领导的研究团队开发了一项新的机器学习算法,可以从NASA的数据中识别出“系外行星”——即太阳系外的行星。该团队已通过这一工具对一批“潜在行星”进行了识别,并从这些天体中确认出了50个新的行星,这也是有史以来第一次将人工智能技术应用于天文学领域。
该研究的论文发表在《皇家天文学会月刊》上。作者在摘要中写道:“我们的模型只要短短几秒就能对数千个肉眼看不见的‘候选行星’进行识别,确认其是否真的是行星。”考虑到许多天文学数据库的规模都大得惊人,该方法能大大提高人们探索世界的效率。
此前,科学家们——包括那些受雇于谷歌的科学家,就已经通过机器学习来识别可能存在的系外行星。然而,这项新实验仍有着开创性的意义——标志着科学家们首次将机器学习用于“验证”这一步,离最终结果的确认又近了一些,也因此涉及额外的数据计算。
这一算法的原理是将真假行星区分开来。阿姆斯特朗在一份声明中说:“我们现在不仅能说哪些候选行星‘更可能’是行星,而是可以用确切的数据说明这种可能性有多大:如果候选天体是‘假行星’的可能性小于1%,就可以被确认为是真正的行星。”
研究人员表示,科学家们识别出的行星大小各异:最大的和海王星差不多大,也有的比地球还小。它们围绕各自恒星的公转时长也不等,有的持续200天,也有的不到一天。
通过观察那些遥远恒星亮度的波动情况,天文学家们便能找出潜在的系外行星。如果恒星的亮度存在周期性的明暗变化,则表明其周围可能存在行星之类的绕行者。但据此判断也可能出现偏差,例如这种情况也可能是小行星等其他天体造成的,这就有了一定的欺骗性。
NASA曾开展过一项著名的“开普勒任务”,来探索那些绕遥远恒星运行的类地行星。如今,该任务已经终止,但研究人员仍能利用其已解析的数据库来训练他们的算法。一旦算法学会了如何辨认哪些是真行星、哪些是假行星,科学家就向它提供那些尚未确认的“候选行星”的数据。结果表明,在被识别的天体中,有50个通过验证,被确认为是新的行星。
这一人工智能技术也可以用来分析其他太空探测器收集到的数据——包括NASA于2018年4月发射的“凌日系外行星勘测卫星”(TESS)。该计划团队已于今夏完成了这场为期两年的调查的主要任务,发现了66颗新的系外行星和2100颗有待进确认的“候选系外行星”。
科学家说,除了TESS,这项新工具还可以用在欧洲航天局即将进行的PLATO计划中——该计划也旨在探索行星绕行状况和恒星波动状况。研究者指出,“由于观察到的目标天体数量庞大,这种自动化算法就显得十分必要。”
华威大学计算机系教授、论文的另一位作者西奥•达穆拉斯(Theo Damoulas)说,这一人工智能技术“特别适合用来解决天体物理学中像‘行星探测’这类令人振奋的问题”。(财富中文网)
编译:陈聪聪
17世纪,意大利天文学家伽利略发明了世界上第一台望远镜,也由此第一次观察到了月球上的山脉,土星的光环和环绕木星的卫星。今天,天文学家们依旧在向外太空探索,而不断进步的科技也为他们提供了更多新式武器。
最近,由英国华威大学的大卫•阿姆斯特朗(David Armstrong)领导的研究团队开发了一项新的机器学习算法,可以从NASA的数据中识别出“系外行星”——即太阳系外的行星。该团队已通过这一工具对一批“潜在行星”进行了识别,并从这些天体中确认出了50个新的行星,这也是有史以来第一次将人工智能技术应用于天文学领域。
该研究的论文发表在《皇家天文学会月刊》上。作者在摘要中写道:“我们的模型只要短短几秒就能对数千个肉眼看不见的‘候选行星’进行识别,确认其是否真的是行星。”考虑到许多天文学数据库的规模都大得惊人,该方法能大大提高人们探索世界的效率。
此前,科学家们——包括那些受雇于谷歌的科学家,就已经通过机器学习来识别可能存在的系外行星。然而,这项新实验仍有着开创性的意义——标志着科学家们首次将机器学习用于“验证”这一步,离最终结果的确认又近了一些,也因此涉及额外的数据计算。
这一算法的原理是将真假行星区分开来。阿姆斯特朗在一份声明中说:“我们现在不仅能说哪些候选行星‘更可能’是行星,而是可以用确切的数据说明这种可能性有多大:如果候选天体是‘假行星’的可能性小于1%,就可以被确认为是真正的行星。”
研究人员表示,科学家们识别出的行星大小各异:最大的和海王星差不多大,也有的比地球还小。它们围绕各自恒星的公转时长也不等,有的持续200天,也有的不到一天。
通过观察那些遥远恒星亮度的波动情况,天文学家们便能找出潜在的系外行星。如果恒星的亮度存在周期性的明暗变化,则表明其周围可能存在行星之类的绕行者。但据此判断也可能出现偏差,例如这种情况也可能是小行星等其他天体造成的,这就有了一定的欺骗性。
NASA曾开展过一项著名的“开普勒任务”,来探索那些绕遥远恒星运行的类地行星。如今,该任务已经终止,但研究人员仍能利用其已解析的数据库来训练他们的算法。一旦算法学会了如何辨认哪些是真行星、哪些是假行星,科学家就向它提供那些尚未确认的“候选行星”的数据。结果表明,在被识别的天体中,有50个通过验证,被确认为是新的行星。
这一人工智能技术也可以用来分析其他太空探测器收集到的数据——包括NASA于2018年4月发射的“凌日系外行星勘测卫星”(TESS)。该计划团队已于今夏完成了这场为期两年的调查的主要任务,发现了66颗新的系外行星和2100颗有待进确认的“候选系外行星”。
科学家说,除了TESS,这项新工具还可以用在欧洲航天局即将进行的PLATO计划中——该计划也旨在探索行星绕行状况和恒星波动状况。研究者指出,“由于观察到的目标天体数量庞大,这种自动化算法就显得十分必要。”
华威大学计算机系教授、论文的另一位作者西奥•达穆拉斯(Theo Damoulas)说,这一人工智能技术“特别适合用来解决天体物理学中像‘行星探测’这类令人振奋的问题”。(财富中文网)
编译:陈聪聪
In the 17th century, when Galileo first spied the moon's mountains, rings encircling Saturn, and satellites orbiting Jupiter, an early telescope of his own making aided his eye. Now astronomers are adding a new tool to their arsenal.
A team of researchers led by David Armstrong at the University of Warwick in the UK recently trained a machine-learning algorithm to identify "exoplanets"—that is, planets outside our solar system—from NASA data. The team used the tool to confirm 50 new potential planets, a first for artificial intelligence as applied to astronomy.
"Our models can validate thousands of unseen candidates in seconds," the study's authors wrote in the abstract to their paper, which appears in the Monthly Notices of the Royal Astronomical Society. Given the gargantuan size of many astronomical datasets, the method could greatly boost the speed of discovery for world-hunting.
Scientists, including ones employed by Google, previously used machine learning to identify possible exoplanets. The new experiment represents, however, the first time scientists have applied machine learning to "validation," a further step toward confirming results that involves additional statistical calculation.
The trick is to separate real planets from fake-outs. "Rather than saying which candidates are more likely to be planets, we can now say what the precise statistical likelihood is," Armstrong said in a statement. "Where there is less than a 1% chance of a candidate being a false positive, it is considered a validated planet."
The planets plucked out by the scientists' program range from Neptune-size to smaller than Earth, the researchers said. The duration of their sojourns around their respective stars last anywhere from 200 days to as little as a single day.
Astronomers seek out potential exoplanets by looking for fluctuations in the brightness of distant stars. Periodic dimming of starlight could indicate the presence of orbiting passersby, like planets. But aberrations and other celestial objects, like asteroids, can be deceptive.
The researchers trained their algorithm on already-parsed datasets collected by NASA's retired, planet-hunting Kepler mission. Once the algorithm got the hang of telling confirmed planets from false positives, the scientists fed it data containing as yet unconfirmed planetary candidates. The result: 50 new planets passed muster.
The A.I. technique could be applied to data collected by other space probes. That includes NASA's Transiting Exoplanet Survey Satellite, launched in April 2018. The team behind that telescope wrapped up its primary mission, a two year-long survey, this summer after finding 66 new exoplanets and 2,100 candidate exoplanets.
The scientists say their tool can work with TESS as well as the European Space Agency's upcoming PLATO mission, which stands for "planetary transits and oscillations of stars." The authors note "the large number of observed targets necessitates the use of automated algorithms."
The University of Warwick's Theo Damoulas, a computer science professor and another author of the paper, said that A.I. techniques "are especially suited for an exciting problem like this in astrophysics."