Исследовательская группа Университета Джорджии подтвердила наличие ранее неизвестной планеты за пределами нашей Солнечной системы, и они использовали инструменты машинного обучения для ее обнаружения.
Недавнее исследование, проведенное командой, показало, что машинное обучение может правильно определить наличие экзопланеты , изучая протопланетные диски , газ вокруг недавно образовавшихся звезд.
Недавно опубликованные результаты в The Astrophysical Journal представляют собой первый шаг к использованию машинного обучения для идентификации ранее упущенных экзопланет.
«Мы подтвердили наличие планеты с помощью традиционных методов, но наши модели заставили нас запустить эти симуляции и показали нам, где именно может находиться планета», — сказал Джейсон Терри, докторант факультета физики и астрономии Франклинского колледжа искусств и наук UGA. ведущий автор исследования.
«Когда мы применили наши модели к ряду более старых наблюдений, они определили диск, о котором не было известно, что есть планета, несмотря на то, что он уже был проанализирован. Как и в предыдущих открытиях, мы провели моделирование диска и обнаружили, что планета может повторно создать наблюдение».
По словам Терри, модели предполагали присутствие планеты, на что указывали несколько изображений, на которых сильно выделялась определенная область диска, которая, как оказалось, имела характерный признак планеты — необычное отклонение скорости газа вблизи планеты.
«Это невероятно захватывающее доказательство концепции. Из нашей предыдущей работы мы знали, что можем использовать машинное обучение для поиска известных формирующихся экзопланет», — сказала Кассандра Холл, доцент кафедры вычислительной астрофизики и главный исследователь исследовательской группы экзопланет и формирования планет в УГА. «Теперь мы точно знаем, что можем использовать его для совершения новых открытий».
Это открытие показывает, как машинное обучение способно улучшить работу ученых, используя искусственный интеллект в качестве дополнительного инструмента для повышения точности исследователей и более эффективной экономии их времени, когда они занимаются таким обширным делом, как исследование глубокого космоса.
Модели смогли обнаружить сигнал в данных, которые люди уже проанализировали; они нашли то, что раньше оставалось незамеченным.
«Это демонстрирует, что наши модели — и машинное обучение в целом — способны быстро и точно идентифицировать важную информацию, которую люди могут упустить. Это может значительно ускорить анализ и последующие теоретические выводы», — сказал Терри. «Потребовалось всего около часа, чтобы проанализировать весь этот каталог и найти убедительные доказательства наличия новой планеты в определенном месте, поэтому мы думаем, что по мере того, как наши наборы данных станут еще больше, для этих типов методов будет важное место».
