Внесолнечная планета или экзопланета — это планета, которая вращается вокруг звезды, отличной от Солнца, в нашей Солнечной системе. По состоянию на 1 апреля 2017 года было обнаружено 3607 экзопланет в 2701 подтвержденной планетной системе с момента первого подтвержденного обнаружения экзопланеты в 1992 году.

20 апреля Проект MEarth объявил об открытии потенциально обитаемой суперземли, которая на сегодняшний день может быть наиболее вероятной экзопланетой для существования инопланетной жизни.

Открытие экзопланет коренным образом изменило наше понимание планет, солнечных систем и нашего места в галактике. С огромным количеством этих планет, обнаруженных в последние годы, их характеристика быстро становится проблемой больших данных. В качестве решения для поиска пригодных для жизни миров за пределами нашей Солнечной системы используются методы машинного обучения, имитирующие человеческое распознавание и процессы сновидений.

Инго Вальдманн, старший научный сотрудник UCL, специализируется в этой области, создавая модели нелинейных байесовских обратных задач и глубокого обучения, применяемого к физике атмосфер внесолнечных планет и объектов Солнечной системы. Вместе с другими астрономами из UCL он и другие астрономы из UCL разработали нейросеть глубокого убеждения под названием RobERt (Robotic Exoplanet Recognition), чтобы просеивать обнаруженные источники света, исходящего от далеких планетных систем, и получать спектральную информацию о газах, присутствующих в космосе. атмосферы экзопланет.

На Саммите машинного интеллекта в Амстердаме Инго исследует, как можно использовать глубокое обучение для быстрой характеристики химического состава и преобладающих погодных условий этих экзопланет. Я поговорил с ним перед саммитом 28–29 июня, чтобы узнать больше о недавнем развитии глубокого обучения в этой области.

Пожалуйста, расскажите нам немного больше о своей работе.

Я работаю над описанием атмосфер экзопланет, то есть планет, вращающихся вокруг других звезд. Когда планета проходит перед родительской звездой в поле нашего зрения, часть звездного света фильтруется через тонкое атмосферное кольцо планеты. Наблюдая и анализируя этот свет, мы можем определить химический состав планеты, найти признаки обитаемости и даже определить преобладающие погодные условия. В настоящее время мы используем космические телескопы, такие как «Хаббл» и «Спитцер», но также находимся в процессе разработки следующего поколения космических обсерваторий, предназначенных для определения характеристик атмосферы экзопланет.

Что, по вашему мнению, способствовало недавнему использованию глубокого обучения для характеристики экзопланет?

Глубокое обучение может помочь в описании экзопланет двумя способами: с одной стороны, мы можем добывать более слабые сигналы, оптимизируя калибровку наших инструментов. С другой стороны, мы можем классифицировать планетарную химию за долю времени, необходимого более классическим алгоритмам.

Наблюдение контрольных признаков планетарных атмосфер, которые часто находятся на расстоянии сотен световых лет, находится на самом пределе возможностей инструмента. Слишком часто мы обнаруживаем, что планетарный сигнал имеет ту же амплитуду, что и шум прибора. Здесь может помочь глубокое обучение, «изучив» оптимальную стратегию калибровки инструмента для обнаружения этих слабых сигналов. Стремясь к еще более слабым сигналам, мы одновременно вступаем в эру специальных обзоров всего неба.

Будущие космические миссии, такие как космический телескоп NASA/ESA James Webb (JWST) или миссия ESA Ariel, предоставят нам тысячи измерений экзопланет. Слишком много, чтобы обычные подходы к моделированию могли справиться за короткие 3–5 лет существования миссии. Здесь глубокое обучение может за короткое время заменить большую часть моделирования атмосферы и обеспечить гораздо более гибкое планирование миссии, чем это возможно в противном случае.

Какие существующие или потенциальные будущие приложения глубокого обучения вас интересуют больше всего?

В следующем десятилетии глубокое обучение поможет нам составить карту и понять сложные корреляции в нашей галактической популяции планет и ограничить возможные сценарии формирования и эволюции планет. Описывая тысячи планетных систем, мы можем поместить нашу собственную солнечную систему в галактический контекст. В настоящем и ближайшем будущем мы можем использовать глубокое обучение, чтобы лучше понять планеты нашей Солнечной системы. Космические миссии, такие как миссия «Кассини-Гюйгенс», «Венера Экспресс» и различные миссии на Марс, нанесли на карту тела нашей Солнечной системы в мельчайших деталях. Это огромные архивы часто невидимых данных. Используя глубокое обучение, мы работаем над алгоритмами, которые могут эффективно отображать химический состав поверхности всей планеты или искать погодные условия в марсианской атмосфере.

Какие отрасли, по вашему мнению, больше всего пострадают от характеристики экзопланет с искусственным интеллектом в будущем?

Многие области астрономии, астрофизики и планетологии изменятся до неузнаваемости в ближайшее десятилетие. Крупномасштабные исследования от звездных (космическая миссия Gaia) до внегалактических (например, Большой синоптический обзорный телескоп) и экзопланет (космические миссии JWST и Ariel) заставляют нас быстро переосмысливать наши стратегии анализа данных.

Я считаю, что большие данные станут движущей силой современной астрономии, а ожидаемые объемы данных будут исчисляться сотнями петабайт, и алгоритмы глубокого обучения станут незаменимыми для классификации и отображения внутренних корреляций в этих данных.

Каких изменений в глубоком обучении мы можем ожидать в ближайшие 5 лет?

С точки зрения астронома, я надеюсь увидеть почти полностью автономные исследования с помощью космических и наземных средств. Глубокое обучение позволит этим опросам мгновенно реагировать на новые данные способами, которые невозможны при «ручном» анализе данных астрономами. Были предприняты первые попытки для достижения этих целей, но на данный момент взаимодействие между сообществами астрономии и машинного обучения остается минимальным. При этом я уверен, что глубокое обучение будет играть центральную роль в использовании научных данных в будущем.

Инго Вальдманн выступит с докладом на Саммите машинного интеллекта, который пройдет одновременно с Саммитом машинного интеллекта в автономных транспортных средствах в Амстердаме 28–29 июня. Встретьтесь с ведущими экспертами и узнайте у них, как ИИ повлияет на транспорт, производство, здравоохранение, розничную торговлю и многое другое.

Другие подтвержденные докладчики: Роланд Фоллграф, руководитель отдела исследований Zalando Research; Нил Латиа, старший специалист по данным, Skyscanner; Александрос Карацоглу, научный директор, Telefonica; Свен Бенке, руководитель группы автономных интеллектуальных систем, Боннский университет; и Дамиан Борт, директор Центра компетенции по глубокому обучению, DFKI. Посмотреть больше спикеров и темы здесь.

Мнения, высказанные в этом интервью, могут не совпадать с точкой зрения RE•WORK. В результате некоторые мнения могут даже противоречить взглядам RE•WORK, но публикуются для поощрения дискуссий и всестороннего обмена знаниями, а также для того, чтобы позволить нашему сообществу представить альтернативные точки зрения.