机器学习首先确认了50个新行星

华威大学的科学家开发了一种新的机器学习算法，已确认了五十个潜在行星。个新

天文学家第一次使用基于机器学习(一种人工智能的机器形式)的过程来分析潜在行星的样本，并确定哪些是学习行星真实的，哪些是首先“假”的或假阳性的，从而计算出每个行星的个新概率成为一个真正的星球的候选人。

他们的机器结果发表在《皇家天文学会月刊》上的一项新研究中，该研究还对这种行星验证技术进行了首次大规模比较。学习行星他们的首先结论为统计确认未来系外行星发现时使用多种验证技术(包括其机器学习算法)提供了理由。

许多系外行星调查都通过望远镜中的个新大量数据来搜索行星在望远镜与恒星之间通过的迹象，这就是机器所谓的过境。这会导致望远镜探测到的学习行星恒星光线倾泻而下，但这也可能是首先由双星系统，来自背景物体的干扰，甚至相机中的微小误差引起的。这些误报可以在行星验证过程中筛选出来。

沃里克物理与计算机科学系以及艾伦·图灵研究所的研究人员构建了一种基于机器学习的算法，该算法可以从望远镜任务(例如，NASA的开普勒和TESS。

它经过训练，可以使用两个大的已确认行星样本和来自现已退休的开普勒任务的误报来识别真实的行星。然后，研究人员在开普勒尚未确认的行星候选数据集上使用了该算法，产生了50个新的确认行星，并且是第一个通过机器学习进行验证的行星。先前的机器学习技术已经对候选者进行了排名，但从未确定候选者自己是真正行星的可能性，这是行星验证的必要步骤。

这50颗行星的范围从海王星到大到比地球小，范围从200天到一天不等。通过确认这50个行星是真实的，天文学家现在可以优先使用专用望远镜对它们进行进一步观察。

华威大学物理系的大卫·阿姆斯特朗博士说：“我们开发的算法使我们能够跨阈值筛选50个候选者进行行星验证，将它们升级为真实行星。我们希望将此技术应用于大样本的行星。 TESS和PLATO等当前和未来任务的候选人。在行星验证方面，以前没有人使用过机器学习技术;机器学习曾用于对行星候选人进行排名，但从未在概率框架中使用过，这是您需要的真正地验证一个行星，而不是说出哪些候选者更可能是行星，我们现在可以说出确切的统计可能性是什么，如果一个候选者被误报的可能性小于1%，则被认为是经过验证的行星。”

沃里克大学计算机科学系的Theo Damoulas博士以及艾伦·图灵研究所数据中心工程和图灵研究员副主任说：“统计机器学习的概率方法尤其适合于天体物理学中的一个令人兴奋的问题这需要结合来自阿姆斯特朗博士等专家的先验知识，并对预测中的不确定性进行量化。当概率方法的额外计算复杂性得到显着回报时，这是一个很好的例子。”

一旦构建并经过训练，该算法将比现有技术更快，并且可以完全自动化，从而使其非常适合分析TESS等当前调查中观察到的数千个行星候选物。研究人员认为，这应该是将来集体用来验证行星的工具之一。

阿姆斯特朗博士补充说：“迄今为止，仅使用一种方法就可以验证近30%的已知行星，这并不理想。仅出于这个原因，就需要开发新的验证方法。但是机器学习也使我们能够非常快地完成它。并优先考虑候选者。我们仍然需要花时间训练算法，但是一旦完成，将其应用于将来的候选者变得更加容易，您还可以合并新发现以逐步改进它。拥有数以万计的行星候选者，因此能够始终如一地对其进行分析是非常理想的，像这样的快速，自动化系统可以带我们一路验证行星 让我们以更少的步骤高效地做到这一点。”

最新评论