۵۰ سیاره‌ی فراخورشیدی به کمک هوش مصنوعی تأیید شد
دانشمندان دانشگاه واویک با استفاده از هوش مصنوعی و یک الگوریتم یادگیری ماشینی توسعه یافته برای یافتن سیارات فراخورشیدی، موفق شدند واقعی بودن ۵۰ سیاره‌ی فراخورشیدی احتمالی را تأیید کنند.
برای نخستین بار ستاره‌شناسان با استفاده یک فرآیند مبتنی بر یادگیری ماشینی که نوعی از هوش مصنوعی است، نمونه‌هایی احتمالی از سیارات فراخورشیدی را بررسی کردند و تشخیص دادند که کدام یک واقعا سیاره‌ی فراخورشیدی است و کدام نیست. علاوه بر این احتمال سیاره بودن هر یک را تعیین کردند.
نتایج این پژوهش در گزارش ماهانه‌ی انجمن نجوم سلطنتی بریتانیا (Royal Astronomical Society) منتشر شده که در آن علاوه بر این تأییدیه‌ی تازه، روش‌های اعتبارسنجی سیارات فراخورشیدی با هوش مصنوعی نیز با هم مقایسه شده است.
بر اساس این دستاورد، استفاده از روش‌های اعتبارسنجی چندگانه که شامل الگوریتم یادگیری ماشینی توسعه داده شده و تأیید آماری می‌شود، به بررسی سیارات فراخورشیدی در آینده کمک خواهد کرد.
بسیاری از جست‌وجوها برای یافتن سیارات فراخورشیدی، از طریق حجم زیادی از داده‌های تلسکوپ‌ها انجام می‌شود که طی آن دانشمندان به دنبال نشانه‌هایی از گذر سیاره‌ای از میان ستاره‌ی خود و تلسکوپی که به آن نشانه رفته می‌گردند. این روش به «روش گذر» معروف است.
روش گذر بر پایه‌ی کاهش اندک نوری که تلسکوپ از ستاره ثبت می‌کند، استوار است. اما گاهی عوامل دیگری مانند یک سامانه‌ی ستاره‌ای دوتایی، اثر یک شیء در پس‌زمینه یا حتی خطاهای جزئی دوربین می‌تواند موجب کاهش نور دریافتی از ستاره شود. این نکات را می‌توان به کمک یک فرآیند اعتبارسنجی تشخیص داد.
پژوهشگران دانشکده‌ی فیزیک و دانشکده‌ی علوم کامپیوتر دانشگاه واویک با همکاری مؤسسه‌ی آلن تورینگ (The Alan Turing Institute) یک الگوریتم یادگیری ماشینی ساخته‌اند که می‌تواند سیاره‌های واقعی را از غیرواقعی‌ها که به‌عنوان «مثبت کاذب» شناخته می‌شوند، در میان حجم عظیمی از داده‌های دریافت شده از تلسکوپ‌هایی مانند کپلر (Kepler) و تِس (TESS) ناسا تشخیص دهد.
هوش مصنوعی برای این آموزش دیده تا بر اساس نمونه‌های تأیید شده‌ی سیارات فراخورشیدی و نمونه‌های مثبت کاذب که از داده‌های تلسکوپ بازنشسته‌ی کپلر به دست آمده است، سیارات فراخورشیدی واقعی را تشخیص دهد. نمونه‌های مثبت کاذب در واقعیت سیاره‌ی فراخورشیدی نیستند اما توسط تلسکوپ شناسایی شده‌اند.
سپس پژوهشگران از این الگوریتم برای مجموعه‌ای از نامزدهای سیاره‌های فراخورشیدی استفاده کردند که توسط کپلر ثبت شده اما هنوز به تأیید نرسیده بودند؛ این کار منجر به تأیید ۵۰ سیاره‌ی فراخورشیدی تازه شد. پیش از این، از روش‌های الگوریتم یادگیری ماشینی برای طبقه‌بندی این نامزدهای احتمالی استفاده شده بود اما هرگز روشی برای تأیید اینکه کدام نامزد واقعا یک سیاره‌ی فراخورشیدی است به‌کار برده نشده بود. روشی که برای اعتبارسنجی یک سیاره لازم است.
این ۵۰ سیاره‌ی تازه کشف شده از سیارات بزرگی به اندازه‌ی نپتون تا سیارات کوچکتر به ابعاد زمین را شامل می‌شود با مدارهایی که هر گردش دور ستاره از ۲۰۰ روز تا ۱ روز متغیر است. با تأیید این ۵۰ سیاره، اکنون ستاره‌شناسان می‌توانند آن‌ها را برای بررسی دقیق‌تر توسط تلسکوپ‌های ویژه در اولویت قرار دهند.
دکتر «دیوید آرمسترانگ» (David Armstrong) از دانشکده‌ی فیزیک دانشگاه واویک در این‌باره گفت: «الگوریتمی که ما ایجاد کردیم، به ما امکان می‌دهد که اعتبارسنجی ۵۰ نمونه را انجام دهیم و به‌عنوان سیاره‌ی فراخورشیدی واقعی شناسایی کنیم. امیدواریم که این روش را برای نمونه‌های بسیار بیشتری نیز که از مأموریت‌های فعلی و آینده مانند تِس (TESS) و پلاتو (PLATO) به دست می‌آید، اعمال کنیم.»
او با تأکید بر اینکه تاکنون برای اعتبارسنجی سیارات فراخورشیدی از یادگیری ماشینی استفاده نشده بود، افزود: «پیش از این یادگیری ماشینی برای طبقه‌بندی سیارات فراخورشیدی احتمالی استفاده می‌شد اما هرگز از این روش برای تعیین احتمال سیاره بودن که در اعتبارسنجی بسیار لازم است، استفاده نشده بود.»
آرمسترانگ گفت: «اکنون به جای اینکه بگوییم کدام نمونه‌ها احتمالا سیاره هستند، می‌توانیم بگوییم که احتمال سیاره بودن چند درصد است. زمانی که احتمال مثبت کاذب بودن یک نمونه، کمتر از ۱ درصد شد، به‌عنوان یک سیاره‌ی فراخورشیدی واقعی درنظر گرفته می‌شود.»
روش گذر در یافتن سیارات فراخورشیدی
Credit: NASA
دکتر «تئو دامولاس» (Theo Damoulas) از دانشکده‌ی علوم کامپیوتر دانشگاه واویک نیز درباره‌ی این دستاورد گفت: «رویکردهای احتمال‌محور در یادگیری ماشینی آماری به ویژه برای چنین مسأله‌ی جذابی در اخترفیزیک در نظر گرفته شده است که نیاز به یک دانش قبلی از متخصصانی مانند دکتر آرمسترانگ و همچنین تعریف عدم قطعیت در پیش‌بینی‌ها دارد. چنین شیوه‌ای، زمانی که پیچیدگی محاسباتی روش‌های احتمال به طور چشمگیری افزایش می‌یابد، بسیار کاربردی است.»
زمانی که الگوریتم ساخته و آموزش داده شد، از روش‌های موجود سریع‌تر است و می‌تواند کاملا خودکار عمل کند که گزینه‌ی مناسبی برای تجزیه‌وتحلیل هزاران نامزد احتمالی ثبت شده در کاوش‌هایی مانند تِس است. پژوهشگران معتقدند که این روش باید یکی از ابزارهایی باشد که در آینده برای اعتبارسنجی سیارات فراخورشیدی در کنار دیگر ابزارها از آن استفاده می‌شود.
دکتر آرمسترانگ با اشاره به اینکه ۳۰ درصد از سیارات فراخورشیدی شناخته شده تنها با یک روش اعتبارسنجی شده‌اند، افزود: «چنین چیزی مطلوب نیست. توسعه‌ی روش‌های جدید برای اعتبارسنجی حتی فقط به همین یک دلیل می‌تواند ضروری باشد؛ اما از سوی دیگر یادگیری ماشینی به ما امکان می‌دهد تا کار را خیلی سریع‌تر انجام دهیم و نامزدها را زودتر بررسی کنیم.»
او ضمن تأیید اینکه این الگوریتم هنوز نیاز به یادگیری دارد، خاطر نشان کرد: «زمانی که این کار انجام شد، استفاده از روش یادگیری ماشینی، برای اعتبارسنجی نامزدهای احتمالی آینده بسیار آسان‌تر خواهد بود. همچنین از کشف‌های تازه می‌توان برای تکمیل آموزش و بهبود این الگوریتم استفاده کرد.»
این استاد اخترشناسی دانشگاه واویک گفت: «پیش‌بینی می‌شود که برنامه‌ی کاوشی مانند تِس (TESS) هزاران سیاره‌ی احتمالی را شناسایی کند که بررسی پیوسته‌ی همه‌ی آن‌ها توسط این روش بسیار مطلوب خواهد بود. سیستم‌های سریع و خودکاری مانند این موجب کاهش زمان و در نتیجه بازدهی بیشتر می‌گردد.»
عکس کاور: طرح‌واره‌ای از سیارات فراخورشیدی
عکس از SciTechDaily
منبع: SciTechDaily
