50 سیاره فراخورشیدی به کمک هوش مصنوعی تأیید شد

به گزارش نوای پرنده پارسی، دانشمندان دانشگاه واویک با استفاده از هوش مصنوعی و یک الگوریتم یادگیری ماشینی توسعه یافته برای یافتن سیارات فراخورشیدی، پیروز شدند واقعی بودن 50 سیاره فراخورشیدی احتمالی را تأیید کنند.

برای نخستین بار ستاره شناسان با استفاده یک فرآیند مبتنی بر یادگیری ماشینی که نوعی از هوش مصنوعی است، نمونه هایی احتمالی از سیارات فراخورشیدی را بررسی کردند و تشخیص دادند که کدام یک واقعا سیاره فراخورشیدی است و کدام نیست. علاوه بر این احتمال سیاره بودن هر یک را معین کردند.

نتایج این پژوهش در گزارش ماهانه انجمن نجوم سلطنتی بریتانیا (Royal Astronomical Society) منتشر شده که در آن علاوه بر این تأییدیه تازه، روش های اعتبارسنجی سیارات فراخورشیدی با هوش مصنوعی نیز با هم مقایسه شده است.

بر اساس این دستاورد، استفاده از روش های اعتبارسنجی چندگانه که شامل الگوریتم یادگیری ماشینی توسعه داده شده و تأیید آماری می گردد، به بررسی سیارات فراخورشیدی در آینده کمک خواهد کرد.

آینده شکارچیان سیارات فراخورشیدی

بسکمک از جست وجوها برای یافتن سیارات فراخورشیدی، از طریق حجم زیادی از داده های تلسکوپ ها انجام می گردد که طی آن دانشمندان به دنبال نشانه هایی از گذر سیاره ای از میان ستاره خود و تلسکوپی که به آن نشانه رفته می گردند. این روش به روش گذر معروف است.

روش گذر بر پایه کاهش اندک نوری که تلسکوپ از ستاره ثبت می کند، پایدار است. اما گاهی عوامل دیگری مانند یک سامانه ستاره ای دوتایی، اثر یک شیء در پس زمینه یا حتی خطاهای جزئی دوربین می تواند موجب کاهش نور دریافتی از ستاره گردد. این نکات را می توان به کمک یک فرآیند اعتبارسنجی تشخیص داد.

پژوهشگران دانشکده فیزیک و دانشکده علوم کامپیوتر دانشگاه واویک با همکاری مؤسسه آلن تورینگ (The Alan Turing Institute) یک الگوریتم یادگیری ماشینی ساخته اند که می تواند سیاره های واقعی را از غیرواقعی ها که به عنوان مثبت کاذب شناخته می شوند، در میان حجم عظیمی از داده های دریافت شده از تلسکوپ هایی مانند کپلر (Kepler) و تِس (TESS) ناسا تشخیص دهد.

هوش مصنوعی برای این آموزش دیده تا بر اساس نمونه های تأیید شده سیارات فراخورشیدی و نمونه های مثبت کاذب که از داده های تلسکوپ بازنشسته کپلر به دست آمده است، سیارات فراخورشیدی واقعی را تشخیص دهد. نمونه های مثبت کاذب در واقعیت سیاره فراخورشیدی نیستند اما توسط تلسکوپ شناسایی شده اند.

سپس پژوهشگران از این الگوریتم برای مجموعه ای از نامزدهای سیاره های فراخورشیدی استفاده کردند که توسط کپلر ثبت شده اما هنوز به تأیید نرسیده بودند؛ این کار منجر به تأیید 50 سیاره فراخورشیدی تازه شد. پیش از این، از روش های الگوریتم یادگیری ماشینی برای طبقه بندی این نامزدهای احتمالی استفاده شده بود اما هرگز روشی برای تأیید اینکه کدام نامزد واقعا یک سیاره فراخورشیدی است به کار برده نشده بود. روشی که برای اعتبارسنجی یک سیاره لازم است.

این 50 سیاره تازه کشف شده از سیارات بزرگی به اندازه نپتون تا سیارات کوچکتر به ابعاد زمین را شامل می گردد با مدارهایی که هر گردش دور ستاره از 200 روز تا 1 روز متغیر است. با تأیید این 50 سیاره، اکنون ستاره شناسان می توانند آن ها را برای بررسی دقیق تر توسط تلسکوپ های ویژه در اولویت قرار دهند.

دکتر دیوید آرمسترانگ (David Armstrong) از دانشکده فیزیک دانشگاه واویک در این باره گفت: الگوریتمی که ما ایجاد کردیم، به ما امکان می دهد که اعتبارسنجی 50 نمونه را انجام دهیم و به عنوان سیاره فراخورشیدی واقعی شناسایی کنیم. امیدواریم که این روش را برای نمونه های بسیار بیشتری نیز که از مأموریت های فعلی و آینده مانند تِس (TESS) و پلاتو (PLATO) به دست می آید، اعمال کنیم.

ماموریت جدید اروپا برای بررسی سیارات فراخورشیدی به فضا پرتاب شد

او با تأکید بر اینکه تا به امروز برای اعتبارسنجی سیارات فراخورشیدی از یادگیری ماشینی استفاده نشده بود، اضافه کرد: پیش از این یادگیری ماشینی برای طبقه بندی سیارات فراخورشیدی احتمالی استفاده می شد اما هرگز از این روش برای معین احتمال سیاره بودن که در اعتبارسنجی بسیار لازم است، استفاده نشده بود.

آرمسترانگ گفت: اکنون به جای اینکه بگوییم کدام نمونه ها احتمالا سیاره هستند، می توانیم بگوییم که احتمال سیاره بودن چند درصد است. زمانی که احتمال مثبت کاذب بودن یک نمونه، کمتر از 1 درصد شد، به عنوان یک سیاره فراخورشیدی واقعی درنظر گرفته می گردد.

دکتر تئو دامولاس (Theo Damoulas) از دانشکده علوم کامپیوتر دانشگاه واویک نیز درباره این دستاورد گفت: رویکردهای احتمال محور در یادگیری ماشینی آماری به ویژه برای چنین مسأله جذابی در اخترفیزیک در نظر گرفته شده است که نیاز به یک دانش قبلی از متخصصانی مانند دکتر آرمسترانگ و همچنین تعریف عدم قطعیت در پیش بینی ها دارد. چنین شیوه ای، زمانی که پیچیدگی محاسباتی روش های احتمال به طور چشمگیری افزایش می یابد، بسیار کاربردی است.

زمانی که الگوریتم ساخته و آموزش داده شد، از روش های موجود سریع تر است و می تواند کاملا اتوماتیک عمل کند که گزینه مناسبی برای تجزیه وتحلیل هزاران نامزد احتمالی ثبت شده در کاوش هایی مانند تِس است. پژوهشگران معتقدند که این روش باید یکی از ابزارهایی باشد که در آینده برای اعتبارسنجی سیارات فراخورشیدی در کنار دیگر ابزارها از آن استفاده می گردد.

دکتر آرمسترانگ با اشاره به این که 30 درصد از سیارات فراخورشیدی شناخته شده تنها با یک روش اعتبارسنجی شده اند، اضافه کرد: چنین چیزی مطلوب نیست. توسعه روش های جدید برای اعتبارسنجی حتی فقط به همین یک دلیل می تواند ضروری باشد؛ اما از سوی دیگر یادگیری ماشینی به ما امکان می دهد تا کار را خیلی سریع تر انجام دهیم و نامزدها را زودتر بررسی کنیم.

او ضمن تأیید اینکه این الگوریتم هنوز نیاز به یادگیری دارد، خاطر نشان کرد: زمانی که این کار انجام شد، استفاده از روش یادگیری ماشینی، برای اعتبارسنجی نامزدهای احتمالی آینده بسیار آسان تر خواهد بود. همچنین از کشف های تازه می توان برای تکمیل آموزش و بهبود این الگوریتم استفاده کرد.

این استاد اخترشناسی دانشگاه واویک گفت: پیش بینی می گردد که برنامه کاوشی مانند تِس (TESS) هزاران سیاره احتمالی را شناسایی کند که بررسی پیوسته همه آن ها توسط این روش بسیار مطلوب خواهد بود. سیستم های سریع و اتوماتیکی مانند این موجب کاهش زمان و در نتیجه بازدهی بیشتر می گردد.

عکس کاور: طرح واره ای از سیارات فراخورشیدی

عکس از SciTechDaily

منبع: SciTechDaily