211service.com
Deep learning heeft twee exoplaneten gevonden die menselijke astronomen hebben gemist
Daniel Fabrycky | NASA
De zoektocht naar planeten die rond andere sterren draaien, heeft industriële schaal bereikt. Astronomen hebben er meer dan 4.000 ontdekt, meer dan de helft met behulp van gegevens van de Kepler-ruimtetelescoop, een rond de aarde draaiend observatorium dat voor dit doel is ontworpen.
Kepler, gelanceerd in 2009, observeerde maandenlang een vast gezichtsveld, op zoek naar de kleine periodieke veranderingen in de helderheid van sterren veroorzaakt door planeten die voor hen bewegen.
Maar in 2012 kwam de missie in de problemen toen een van de vier reactiewielen van het ruimtevaartuig het begaf. Deze wielen stabiliseren het vaartuig, waardoor het nauwkeurig in een bepaalde richting kan wijzen. In 2013 mislukte een tweede reactiewiel, waardoor de missie in gevaar kwam.
Als oplossing bedachten ingenieurs een manier waarop het kreupele ruimtevaartuig gegevens kon blijven verzamelen met minder precisie en meer ruis. Ze noemden dit deel van de missie K2. Astronomen bleven nieuwe exoplaneten vinden in de K2-gegevens, maar in een veel lager tempo dan voorheen.
Dat leidde hen naar een interessante mogelijkheid. Het is duidelijk dat de handtekeningen van de exoplaneet nog steeds aanwezig moeten zijn, maar werden gemist vanwege de extra ruis. Als iemand een manier zou vinden om deze ruis systematisch te verwijderen en de resulterende signalen te bestuderen, dan zouden de gemiste exoplaneten kunnen worden onthuld.
Voer Anne Dattilo en collega's van de Universiteit van Texas in Austin in, die een diep lerend neuraal netwerk hebben gecreëerd, AstroNet-K2 genaamd, dat deze gegevensanalyse voor zichzelf kan uitvoeren. De onderzoekers zeggen dat het het proces van het delven van de K2-gegevens drastisch versnelt en zelfs exoplaneten heeft gezien die ervaren astronomen hadden gemist.
Het proces van het ontdekken van exoplaneten omvat verschillende fasen. Eerst moeten astronomen de lichtkrommen voor elke ster extraheren en de helderheid ervan in de loop van de tijd laten zien. Vervolgens bestuderen ze elke curve om te zien hoe deze in de loop van de tijd verandert.
Het neurale netwerk voert precies dit proces uit en filtert vervolgens de dataset. Omdat exoplaneten bijvoorbeeld klein zijn ten opzichte van hun moederster, wordt elke lichtcurve met een variatie van meer dan 3% een dubbelstersysteem genoemd. De variatie in licht moet ook periodiek zijn om een exoplaneet aan te duiden, dus ook enkele variaties kunnen worden genegeerd.
Op deze manier filtert het neurale netwerk een groot percentage valse positieven eruit. AstroNet-K2 is zeer succesvol in het classificeren van exoplaneten en valse positieven, met een nauwkeurigheid van 98% op onze testset, zeggen Dattilo en co.
Toen het team het aan het werk zette met de luidruchtige K2-gegevens, ontdekte het onmiddellijk twee exoplaneten. Tussen december 2016 en maart 2017 passeerde Mars het gezichtsveld van Kepler. De Rode Planeet is bijzonder helder in vergelijking met de sterren op de achtergrond en introduceert zo allerlei soorten verstrooid licht en geluid, die de handtekeningen van exoplaneten maskeren.
Maar terwijl dit menselijke astronomen in verwarring bracht, ontdekte AstroNet-K2 snel de nieuwe handtekeningen van exoplaneten. De eerste is een superaardse, gezwollen planeet met een vluchtige envelop die elke 13 dagen rond een zonachtige ster draait. Het heeft een oppervlaktetemperatuur van ongeveer 750 °C.
De tweede is een rotsachtige superaardse planeet die ook rond een zonachtige ster draait, maar met een periode van slechts drie dagen. Het is dus veel dichterbij en heter - ongeveer 1400 °C, heet genoeg om aluminium te smelten.
Dit onderzoek heeft de potentie om veel van het werk dat bij de jacht op exoplaneten komt kijken te automatiseren. Een groot voordeel is dat op machines gebaseerde ontdekkingen niet dezelfde vooroordelen hebben als mensen.
Dus AstroNet-K2 kan verschillende regio's van de melkweg op precies dezelfde manier bestuderen, kijkend naar sterren die zich in verschillende omgevingen hebben gevormd. De resultaten moeten astronomen in staat stellen te bestuderen hoe exoplaneetpopulaties in deze gebieden verschillen.
AstroNet-K2 is natuurlijk niet perfect. Het detecteert alleen handtekeningen van exoplaneten die het is getraind om te herkennen en negeert iets interessants dat zou kunnen wijzen op nieuwe ontdekkingen. Er is dus nog steeds menselijk toezicht nodig.
Mensen zijn goed in het herkennen van ongebruikelijke signalen die machines verkeerd classificeren of niet als interessant herkennen, wat cruciaal is voor het ontdekken van interessante en vreemde facetten van het universum, zeggen Dattilo en co. Astronomen hoeven dus nog niet op zoek naar nieuwe banen.
Referentie: arxiv.org/abs/1903.10507 : Exoplaneten identificeren met Deep Learning II: twee nieuwe superaarden ontdekt door een neuraal netwerk in K2-gegevens