在我国利用AI技术研究航天天文领域的学术较较少，AI技术的渐渐成熟期和发展，将推展这一应用领域探寻文明的进程，关于AI＋航天天文应用于技术，国外科学家们早已研发出有了行星机器学习代码。开普勒空间望远镜机器学习算法赋能天文辨识机器学习算法已被用作说明了NASA除役的开普勒太空望远镜挤满的数据副本中两个以前看不到的系外行星。Kepler于2009年升空，被派去调查银河系的黑暗河段。
它的工作是通过仔细检查很远星星收到的光来找寻外星世界。用光度计武装一起，开普勒找寻在其母星前面行星擦过的亮度特征上升。它去年十月卸任了。
该航天器协助科学家找到了2000多个很远的行星，还有许多仍未被找到。由德克萨斯大学奥斯汀分校和谷歌领导的天文学家和工程师团队联合合作，利用卷积神经网络嗅出潜在的候选系由外行星。该软件用于开普勒观测到的恒星和行星数据集展开训练，因此当查阅其他恒星亮度的读数时，它可以预测每颗恒星不存在的外星球。
神经网络找到了两个以前不得而知的世界，因为它通过开普勒数据找寻轨道行星的迹象，并且早已用于美国亚利桑那州和夏威夷的望远镜证实了它们的不存在。基督徒K2－293b和K2－294b两者之间彼此相似，分别坐落于水瓶座的1300光年和1，230光年之外，它们都比地球更大更加冷。神经网络＋深度自学训练说明了这对行星的数据来自开普勒K2阶段的任务。2013年，两个航天器的四个反作用轮再次发生故障，它无法再行逗留在一颗特定的恒星上，因此美国宇航局对其展开了重新配置，使其推进器和其他剩下的轮子可以保持稳定。
德克萨斯大学奥斯汀分校的本科物理系学生AnneDattilo说明说道，处置K2数据显得更为棘手。该团队必需考虑到航天器读数中的严重转动和系统噪音。
“我用于来自K2的多达27，000颗恒星的数据训练了我的改动过的算法，”她说道，“我的笔记本电脑只必须40分钟顺利训练，但我们必须几个月才能弄清楚如何顺利地用于K2数据。”对卷积神经网络展开了训练，以便随着时间的流逝找寻恒星光亮度的周期性上升，这指出行星的通过。
由于它仅有用于附近行星的恒星的例子展开训练，因此它会捕捉所有有所不同类型的系外行星，例如具备很远世界的太阳系。“该算法错失了＇类似＇行星：那些信号形状与普通行星有所不同的行星，”Dattilo说。“崩溃行星就是一个例子，这些行星的形状改变不同于＇典型＇行星。这意味著人类天文学家依然必须寻找更加有意思的行星，“Dattilo说道。
然而，尽管如此，Dattilo指出神经网络依然可用作找寻由NASA的TESS太空望远镜找到的新行星。该航天器去年升空升空，预计将在两年内找到成千上万的系外行星。“某种程度的方法应当限于于未来的TESS，因为TESS的工作方式与Kepler和K2完全相同－它们可以测量恒星亮度的变化，”Dattilo说道，“但是，我猜测必须作出一些转变。
我对开普勒到K2代码展开了变更，而TESS数据与开普勒或K2数据十分有所不同，因为它可以在更加较短的时间内查阅恒星。“这不是AI第一次协助科学家寻找新的世界。去年，一个用于机器学习的类似于研究小组无意间找到了跨过先前错失的开普勒90星的第八颗行星。这一找到使开普勒－90沦为唯一一个享有八个行星的行星系统，就像我们自己的太阳系一样，我们早已看见了。
本文来源：新利体育官网-www.tyresquaremis.com
