211service.com
Deep learning har hittat två exoplaneter som mänskliga astronomer missat
Daniel Fabrycky | NASA
Sökandet efter planeter som kretsar kring andra stjärnor har nått industriell skala. Astronomer har upptäckt över 4 000 av dem, mer än hälften med hjälp av data från rymdteleskopet Kepler, ett kretsobservatorium som är designat för detta ändamål.
Kepler, som lanserades 2009, observerade ett fast synfält under många månader och letade efter de små periodiska förändringarna i stjärnornas ljusstyrka som orsakas av planeter som rörde sig framför dem.
Men 2012 fick uppdraget problem när ett av rymdfarkostens fyra reaktionshjul misslyckades. Dessa hjul stabiliserar farkosten, så att den pekar exakt i en specifik riktning. 2013 misslyckades ett andra reaktionshjul, vilket gjorde uppdraget i fara.
Som en fix utarbetade ingenjörer ett sätt för den förlamade rymdfarkosten att fortsätta samla in data med mindre precision och mer brus. De kallade denna del av uppdraget K2. Astronomer fortsatte att hitta nya exoplaneter i K2-data, men i mycket lägre takt än tidigare.
Det ledde dem till en intressant möjlighet. Uppenbarligen måste exoplanetsignaturerna fortfarande vara närvarande men missades på grund av det extra bruset. Om någon kunde hitta något sätt att systematiskt ta bort detta brus och studera de resulterande signalerna, då kunde de missade exoplaneterna avslöjas.
Ange Anne Dattilo och kollegor vid University of Texas i Austin, som har skapat ett djupt lärande neuralt nätverk kallat AstroNet-K2 som kan utföra denna dataanalys för sig själv. Forskarna säger att det dramatiskt påskyndar processen att bryta K2-data och har till och med upptäckt exoplaneter som erfarna astronomer hade missat.
Processen att upptäcka exoplaneter innefattar flera steg. Först måste astronomerna extrahera ljuskurvorna för varje stjärna och visa dess ljusstyrka över tiden. Sedan studerar de varje kurva för att se hur den förändras över tiden.
Det neurala nätverket utför exakt denna process och filtrerar sedan datamängden. Till exempel, eftersom exoplaneter är små i förhållande till sin moderstjärna, betecknas varje ljuskurva med en variation större än 3 % som ett binärt stjärnsystem. Variationen i ljus måste också vara periodisk för att indikera en exoplanet, så enstaka variationer kan också ignoreras.
På så sätt filtrerar det neurala nätverket bort en stor andel falska positiva. AstroNet-K2 är mycket framgångsrik när det gäller att klassificera exoplaneter och falska positiva, med en noggrannhet på 98 % på vårt testset, säger Dattilo och co.
När teamet satte det igång med den bullriga K2-datan upptäckte de omedelbart två exoplaneter. Mellan december 2016 och mars 2017 passerade Mars genom Keplers synfält. Den röda planeten är särskilt ljusstark jämfört med bakgrundsstjärnorna och introducerar därför alla typer av spritt ljus och brus, som maskerar exoplaneternas signaturer.
Men medan detta förvirrade mänskliga astronomer, upptäckte AstroNet-K2 snabbt de nya exoplanetsignaturerna. Den första är en pösig planet i super-jordstorlek med ett flyktigt hölje som kretsar runt en solliknande stjärna var 13:e dag. Den har en yttemperatur på cirka 750 °C.
Den andra är en stenig superjordplanet som också kretsar kring en solliknande stjärna men med en period på bara tre dagar. Så det är mycket närmare och varmare – cirka 1 400 °C, tillräckligt varmt för att smälta aluminium.
Denna forskning har potential att automatisera mycket av arbetet med exoplanetjakt. En stor fördel är att maskinbaserad upptäckt inte lider av samma slags fördomar som människor kan visa.
Så AstroNet-K2 kan studera olika regioner i galaxen på exakt samma sätt och titta på stjärnor som har bildats i olika miljöer. Resultaten bör göra det möjligt för astronomer att studera hur exoplanetpopulationer skiljer sig åt i dessa områden.
AstroNet-K2 är naturligtvis inte perfekt. Den upptäcker endast exoplanetsignaturer som den har tränats i att känna igen och ignorerar allt intressant som kan peka på nya upptäckter. Så det behöver fortfarande mänsklig tillsyn.
Människor är bra på att känna igen ovanliga signaler som maskiner kommer att felklassificera eller inte känna igen som intressanta, vilket är avgörande för att upptäcka intressanta och udda aspekter av universum, säger Dattilo och co. Så astronomer behöver inte börja leta efter nya jobb än.
Ref: arxiv.org/abs/1903.10507 : Identifiera exoplaneter med djupinlärning II: Två nya superjordar avslöjade av ett neuralt nätverk i K2-data