Впервые подтверждено 50 новых планет с помощью машинного обучения — ИИ отличает настоящие планеты от «фальшивых»

Исследователи разработали алгоритм машинного обучения, позволяющий отличать настоящие планеты от ложных в массивных коллекциях кандидатов от таких телескопов, как Kepler и TESS НАСА.

• Новый алгоритм машинного обучения, разработанный астрономами и компьютерными учеными из Уорикского университета, подтверждает наличие новых экзопланет в данных телескопов
• Небесные обзоры находят тысячи планет-кандидатов, и астрономам приходится отделять настоящие планеты от фальшивых.
• Алгоритм был обучен отличать признаки настоящих планет от ложных срабатываний
• Новая методика быстрее предыдущих, может быть автоматизирована и улучшена при дальнейшем обучении

Пятьдесят потенциальных планет подтвердили свое существование с помощью нового алгоритма машинного обучения, разработанного учеными Уорикского университета.

Впервые астрономы использовали процесс, основанный на машинном обучении (разновидность искусственного интеллекта), для анализа выборки потенциальных планет и определения того, какие из них являются настоящими, а какие — «подделками», или ложными срабатываниями, рассчитывая вероятность того, что каждый кандидат окажется настоящей планетой.

Их результаты представлены в новом исследовании, опубликованном в журнале Monthly Notices of the Royal Astronomical Society, где также проведено первое крупномасштабное сравнение подобных методов проверки планет. Полученные выводы свидетельствуют о необходимости использования нескольких методов проверки, включая алгоритм машинного обучения, при статистическом подтверждении будущих открытий экзопланет.

Во многих исследованиях экзопланет проводится поиск признаков прохождения планет между телескопом и звездой, называемого транзитом, в огромных массивах данных, полученных с помощью телескопов. Это приводит к заметному падению света от звезды, которое фиксирует телескоп, но может быть вызвано и бинарной звездной системой, помехами от объекта на заднем плане или даже незначительными ошибками камеры. Такие ложные срабатывания могут быть отсеяны в процессе проверки планет.

Исследователи с факультетов физики и информатики Уорика, а также Института Алана Тьюринга создали алгоритм, основанный на машинном обучении, который позволяет отделять настоящие планеты от фальшивых в больших выборках из тысяч кандидатов, обнаруженных такими телескопами, как Kepler и TESS НАСА.

Он был обучен распознавать реальные планеты на двух больших выборках подтвержденных планет и ложноположительных результатов, полученных в рамках прекратившей свое существование миссии Kepler. Затем исследователи применили алгоритм на наборе данных все еще неподтвержденных планет-кандидатов от «Кеплера», в результате чего было получено пятьдесят новых подтвержденных планет и первый результат, подтвержденный с помощью машинного обучения. Предыдущие методы машинного обучения ранжировали кандидатов, но никогда самостоятельно не определяли вероятность того, что кандидат является истинной планетой, что является необходимым шагом для подтверждения планет.

Эти пятьдесят планет варьируются от миров размером с Нептун до меньших, чем Земля, с орбитами длиной от 200 дней до всего лишь одного дня. Подтвердив реальность этих пятидесяти планет, астрономы теперь смогут определить их приоритетность для дальнейших наблюдений с помощью специальных телескопов.

Доктор Дэвид Армстронг (David Armstrong), сотрудник физического факультета Уорикского университета, сказал: «Разработанный нами алгоритм позволяет перевести пятьдесят кандидатов через порог подтверждения планетности, повысив их статус до реальных планет. Мы надеемся применить эту методику к большим выборкам кандидатов из текущих и будущих миссий, таких как TESS и PLATO».

«Что касается проверки планет, то до этого никто не использовал методы машинного обучения. Машинное обучение использовалось для ранжирования планет-кандидатов, но никогда не применялось в вероятностной системе, что и требуется для настоящего подтверждения планеты. Вместо того чтобы говорить, какие кандидаты с большей вероятностью могут быть планетами, мы можем теперь сказать, какова точная статистическая вероятность. Если вероятность того, что кандидат окажется ложноположительным, составляет менее 1%, то он считается подтвержденной планетой».

Доктор Тео Дамулас (Theo Damoulas) с факультета компьютерных наук Уорикского университета, заместитель директора по проектированию центров обработки данных и стипендиат Института Алана Тьюринга сказал: «Вероятностные подходы к статистическому машинному обучению особенно хорошо подходят для решения такой захватывающей проблемы, как астрофизика, которая требует учета предварительных знаний — от таких экспертов, как доктор Армстронг, — и количественной оценки неопределенности в прогнозах. Это яркий пример того, как дополнительная вычислительная сложность вероятностных методов значительно окупается».

После создания и обучения алгоритм работает быстрее, чем существующие методики, и может быть полностью автоматизирован, что делает его идеальным для анализа потенциально тысяч планет-кандидатов, наблюдаемых в текущих исследованиях, таких как TESS. Исследователи утверждают, что он должен стать одним из инструментов, которые будут коллективно использоваться для проверки планет в будущем.

Д-р Армстронг добавляет: «Почти 30% известных на сегодняшний день планет были подтверждены с помощью только одного метода, а это не идеально. Разработка новых методов валидации желательна уже по одной этой причине. Но машинное обучение также позволяет нам делать это очень быстро и гораздо быстрее определять приоритеты кандидатов».

Нам все равно приходится тратить время на обучение алгоритма, но после этого его гораздо проще применять к будущим кандидатам». Кроме того, можно использовать новые открытия для его постепенного совершенствования.

«В таком исследовании, как TESS, прогнозируются десятки тысяч планет-кандидатов, и было бы идеально иметь возможность последовательно анализировать их все. Быстрые автоматизированные системы, подобные этой, позволяют нам за меньшее количество шагов пройти весь путь к подтвержденным планетам и сделать это эффективно».

Ссылка: «Exoplanet Validation with Machine Learning: 50 new validated Kepler planets» David J Armstrong, Jevgenij Gamper, Theodoros Damoulas, 20 августа 2020 г., Monthly Notice of the Royal Astronomical Society . DOI:10.1093/mnras/staa2498

Исследование д-ра Армстронга было поддержано Советом по научно-техническим средствам (STFC), входящим в состав британской программы «Исследования и инновации», в рамках стипендии Эрнеста Резерфорда.