ИИ НАСА лучше, чем его ученые?
На данный момент мы почти на сто процентов уверены в существовании тысяч планет за пределами нашей Солнечной системы. Причиной поиска других планет всегда был поиск следующего дома для человеческого рода, чтобы обеспечить выживание.
Если вы думаете, что «загрязнение и население» — это наши единственные проблемы, позвольте мне заверить вас, что даже если в диком сне человечество полностью контролирует создаваемые им опасности, мы все равно находимся в опасности. Подводя итог, я должен сказать, что, как и наше время в жизни, время Земли в космосе ограничено. Результатом чего может быть гибель планеты и расы. Кроме того, поиск способа жить на Марсе не сильно нам поможет в долгосрочной перспективе. Таким образом, очень важно найти земные условия на планетах за пределами нашей Солнечной системы.
Эти планеты называются экзопланетами, и НАСА уже зарегистрировало тысячи таких астрономических тел, которые могут быть очень похожи на саму Землю.
Почему мы говорим об этом здесь?
Алгоритм обнаружил 50 новых экзопланет, которые не видны человеческому глазу. (НАСА)
При анализе данных телескопических миссий TESS и миссия NASA Kepler было обнаружено, что эти планеты были пропущены учеными при анализе данных.
Что интересно в этой новости, так это то, что, хотя предыдущие методы машинного обучения могли отметить возможность того, что планета реальна, этот конкретный алгоритм смог зарегистрировать возможность того, что они являются экзопланетами, что сделало его первым в мире открытием такого рода. С помощью алгоритма астрономы теперь могут лучше расставлять приоритеты, заслуживающие дальнейшего объяснения.
50 планет варьируются от размера Нептуна до меньше Земли. У некоторых есть орбиты, которые длятся до 200 дней на Земле, в то время как другие вращаются вокруг своих звезд так быстро, как один раз в день.
Джада Арни, астробиолог из Центра космических полетов имени Годдарда НАСАв Гринбелте, штат Мэриленд, надеется, что машинное обучение поможет ей и ее коллегам найдите иголку жизни в стоге сена данных, которые будут собирать будущие телескопы и обсерватории, такие какКосмический телескоп Джеймса Уэбба НАСА”.
«Эти технологии очень важны, особенно для больших наборов данных и особенно в области экзопланет, — говорит Арни. «Потому что данные, которые мы собираемся получить в результате будущих наблюдений, будут скудными и зашумленными. Это будет действительно трудно понять. Таким образом, использование таких инструментов может нам помочь».
Что еще,
Эти ученые Годдарда рассчитывают однажды использовать передовые методы машинного обучения для ускорения преобразования данных, которые выявляют молекулярные белки на основе молекул, испускаемых или смешиваемых светом дальнего действия в космосе. Ученые хотят, чтобы сочетание передового синтеза белка и инноваций помогло сократить небольшое число кандидатов, заслуживающих дорогостоящих и прогрессивных исследований.
Команды FDL Арни и Домагал-Голдман при технической поддержке Google Cloud дали рекомендации по реализации стратегии под названием нейронная сеть. Эта технология может решать серьезные сложные проблемы в процессе, аналогичном тому, как работает мозг. . В нейронных сетях миллиарды нервов в мозгу помогают нам думать и принимать решения, а также взаимодействовать с миллиардами людей. Процесс отправки данных. Адам Кобб, студент компьютерных наук в Оксфордском университете, и Майкл Д. Хаймс, студент-математик из Университета Центральной Флориды, провели исследование, в котором использовались стратегии обучения для проверки Байесовской нейронной сети на соответствие широко распространенная модель случайного леса. Некоторые команды, помимо исследовательской группы FDL в НАСА, использовали этот новейший метод для изучения состояния WASP-12b, экзопланеты, открытой в 2008 году, согласно огромным данным, собранным Космический телескоп Хаббл НАСА.
Действительно ли байесовская нейронная сеть лучше других технологий?
