Google AI entdeckt mithilfe von Deep Learning zwei neue Exoplaneten in fernen Sonnensystemen

• Google nutzte das Deep Neural Network, um Keplers Daten zu analysieren. 
• Sie fanden zwei neue Exoplaneten – Kepler-90i und Kepler-80g. 
• Das von ihnen entwickelte Modell ist bei der Unterscheidung von Planeten und Nichtplaneten zu etwa 96 % genau. 

Seit vielen Jahrhunderten haben Menschen zu Sternen aufgeschaut, einige Muster bemerkt und Beobachtungen aufgezeichnet. Zu den ersten Dingen, die im Weltraum entdeckt wurden, gehörten Planeten, die die Griechen wegen ihrer unregelmäßigen Bewegungen „Wanderer“ oder „Planētai“ nannten. Allmählich erfuhren wir, dass es in unserem Sonnensystem mehrere Planeten gibt, die sich um die Sonne drehen.

Mit Hilfe moderner Technologien wie Digitalkamera, Raumfahrt, Teleskopoptik und Computer können wir unser Wissen über unser eigenes Sonnensystem hinaus erweitern und Planeten entdecken/identifizieren, die Tausende von Lichtjahren von der Erde entfernt sind. Sie werden Exoplaneten genannt – Teil eines anderen Sonnensystems weit im Weltraum.

Allerdings ist die Suche nach Exoplaneten eine äußerst schwierige Aufgabe. Im Gegensatz zu ihren Muttersternen sind sie klein, kalt und dunkel. Derzeit nutzen wir Techniken des maschinellen Lernens, um Exoplaneten genau zu erkennen. Eine dieser Techniken wird von Google verwendet und sie haben zwei Exoplaneten namens Kepler 90i entdeckt, der um den gelben Zwergstern Kepler 90 kreist, und Kepler-80g, der um Kepler 80 kreist. Finden wir heraus, wie sie das geschafft haben.

Verwendete Daten

Die primäre Methode zur Suche nach Exoplaneten besteht darin, eine große Menge an Daten zu analysieren, die vom Kepler-Weltraumteleskop der NASA sowohl mithilfe manueller Analyse als auch automatisierter Software erfasst wurden. In vier Jahren beobachtete das Teleskop rund 200.000 Sterne und machte jede halbe Stunde ein Bild. Keplers einziges wissenschaftliches Instrument, das Photometer, überwacht kontinuierlich die Helligkeit von mehr als 145.000 Hauptreihensternen in einem festen Sichtfeld. Diese Daten werden zur Erde gesendet und dann eingehend untersucht, um die periodische Verdunkelung des Exoplaneten zu identifizieren, die durch die Rotation um seinen Mutterstern verursacht wird.

Dies alles generiert etwa 14 Milliarden Datenpunkte, was wiederum etwa 2 Billiarden möglicher Planetenumlaufbahnen entspricht. Selbst der leistungsstärkste Computer benötigt extrem viel Zeit, um diese riesigen Datenmengen zu verarbeiten. Um diesen Prozess schneller und effizienter zu gestalten, nutzte Google Deep-Learning-Tools und -Techniken.

Der maschinelle Lernansatz

Maschinelles Lernen ist die Form der künstlichen Intelligenz, die Computern beibringt, bestimmte Muster zu erkennen. Es ist besonders hilfreich, um große Datenmengen zu verstehen. Hier geht es darum, Maschinen durch Training und Beispiele lernen zu lassen, anstatt sie nach bestimmten Regeln zu programmieren.

Bildnachweis:NASA

Deep Learning, eine Art maschinelles Lernen, nutzt Rechenschichten, um progressive komplexe Merkmale zu erstellen, die für Klassifizierungsprobleme nützlich sind. Beispielsweise kann ein Deep-Picture-Klassifizierungsmodell zunächst einfache Kantenmerkmale erkennen, die dann zur Erkennung von Ecken und Kurven verwendet werden können, bis die endgültige Merkmalsebene des Modells zwischen komplexen Objekten unterscheiden kann.

Tiefe neuronale Netze (eine Art Deep-Learning-Modell) sind bei mehreren Aufgaben, einschließlich der Bildklassifizierung, zum Stand der Technik geworden. In den meisten Fällen ist die Leistung besser als die Modelle, die mit handgefertigten Funktionen entwickelt wurden. Ein neuronales Netzwerk wird trainiert, um eine Kostenfunktion zu minimieren, die misst, wie weit seine Vorhersagen von den wahren Bezeichnungen des Trainingssatzes entfernt sind.

Das Google AI-Team verwendete einen Datensatz von über 15.000 Kepler-Signalen, um ein TensorFlow-Modell zur Unterscheidung von Planeten von anderen Himmelskörpern zu erstellen. Dazu musste das System das tatsächliche Muster des Planeten im Vergleich zu Mustern erkennen und erkennen, die von anderen Körpern wie Doppelsternen und Sternflecken verursacht wurden.

Sie entwickelten ein tiefes neuronales Netzwerk zur automatischen Untersuchung von Kepler-Schwellenwertüberschreitungen (TCEs – erkannte periodische Signale, die möglicherweise mit vorbeiziehenden Planeten übereinstimmen). Das Modell verwendet Lichtkurven als Eingaben und wird auf einer Reihe von vom Menschen klassifizierten Kepler-TCEs trainiert.

Die Eingabeansichten werden über separate Faltungsspalten eingespeist – eine erfolgreiche Methode in früheren Bildklassifizierungen. Es ist in der Lage, Weltraumkörper mit angemessener Genauigkeit zu unterscheiden – die subtilen Unterschiede zwischen tatsächlich vorbeiziehenden Exoplaneten und falsch positiven Ergebnissen wie Instrumentenartefakten, verfinsternden Doppelsternen und Sternvariabilität.

Referenz:Harvard.edu

Ergebnisse

Als das Modell anhand von Signalen getestet wurde, konnte es mit einer Genauigkeit von 96 Prozent korrekt zwischen den Signalen unterscheiden, die von Planeten und anderen Nichtplaneten erzeugt wurden. Darüber hinaus wurden in 98,8 Prozent der Fälle plausible Planetensignale höher eingestuft als falsch positive Signale.

Lesen Sie:NASA nutzt künstliche Intelligenz für Weltraumkommunikationsnetzwerke

Um die Suche einzugrenzen, beobachteten sie 670 Sterne, die bereits zwei oder mehr Exoplaneten haben. Während der Verarbeitung fanden sie zwei neue Exoplaneten – Kepler-90i und Kepler-80g. Der Planet Kepler 90i dreht sich um Kepler-90, einen Stern, von dem zuvor bekannt war, dass er sieben Transitplaneten beherbergt. Kepler-80g hingegen ist Teil einer 5-Planeten-Kette um den Stern Kepler-80, dessen Umlaufzeit nahezu der Vorhersage der 3-Körper-Laplace-Beziehungen entspricht.

Fast 13 Prozent größer als die Erde, Kepler-80g (der äußerste Planet in seinem System) hat eine Umlaufzeit von 14,6 Tagen und 89,35 +0,47–0,98 Grad Inklination.

Bildnachweis:Google-Blog

Kepler-90i ist 34 % größer als die Erde und hat eine Umlaufzeit von 14,45 Tagen. Es ist 2.545 Lichtjahre von der Erde entfernt und befindet sich im Sternbild Drache. Es liegt zwischen Kepler-90c (8,7 Tage) und Kepler-90d (59,7 Tage) mit einer extrem heißen Oberflächentemperatur von 436 °C.

Was kommt als nächstes?

Wenn es um die Möglichkeiten des tiefen neuronalen Netzwerks geht, sind keine Grenzen gesetzt. Von 200.000 Sternen werden mit dem Modell nur 670 durchsucht. Möglicherweise gibt es Hunderttausende Exoplaneten, die in Keplers Daten noch unentdeckt sind. Die neuen Techniken wie Deep Learning werden Astronomen und Physikern dabei helfen, Dinge aufzudecken, die außerhalb der menschlichen Reichweite liegen.

Lesen Sie:Googles künstliche Intelligenz schafft eine KI, die den menschlichen Code übertrifft

Dieses Modell könnte in Zukunft modifiziert werden, um seine Genauigkeit zu verbessern und bekannte Arten falsch positiver Ergebnisse zu verringern. Wir können zum Beispiel

• Erweitern Sie den Trainingssatz, indem Sie simulierte Daten oder unbeschriftete Daten einbeziehen (das aktuelle Modell verwendet nur etwa 15.000 beschriftete Beispiele).
• Verbessern Sie die Mastroutine, um die Anzahl der Signale aufgrund der Sternvariabilität zu reduzieren, die als wahrscheinliche Planeten klassifiziert werden.
• Fügen Sie der Eingabedarstellung eine Form von Schwerpunktinformationen hinzu, um die Fähigkeit des Systems zu verbessern, Transite zu klassifizieren, die auf einem Hintergrundstern statt auf dem Zielstern auftreten.
• Teilen Sie die lokale Ansicht in mehrere Segmente auf, damit das System die Konsistenz von Transiten zwischen verschiedenen Segmenten des Datensatzes analysieren kann.