Hvad gør Netflix, Har Google og planetsystemer til fælles?

Machine learning er et kraftfuldt værktøj, der bruges til en række opgaver i det moderne liv, fra opdagelse af svindel og sortering af spam i Google, at lave filmanbefalinger på Netflix.

Nu har et team af forskere fra University of Toronto Scarborough udviklet en ny tilgang til at bruge den til at bestemme, om planetsystemer er stabile eller ej.

"Maskinlæring tilbyder en kraftfuld måde at tackle et problem inden for astrofysik, og det er at forudsige om planetsystemer er stabile, " siger Dan Tamayo, hovedforfatter af forskningen og en postdoc-stipendiat i Center for Planetary Science ved U of T Scarborough.

Machine learning er en form for kunstig intelligens, der giver computere mulighed for at lære uden konstant at skulle programmeres til en specifik opgave. Fordelen er, at den kan lære computere at lære og ændre sig, når de udsættes for nye data, for ikke at nævne, at det også er meget effektivt.

Metoden udviklet af Tamayo og hans team er 1, 000 gange hurtigere end traditionelle metoder til at forudsige stabilitet.

"Tidligere har vi været hæmmet i at forsøge at finde ud af, om planetsystemer er stabile ved metoder, der ikke kunne håndtere mængden af ​​data, vi kastede efter det, " han siger.

Det er vigtigt at vide, om planetsystemer er stabile eller ej, fordi det kan fortælle os meget om, hvordan disse systemer er dannet. Det kan også tilbyde værdifuld ny information om exoplaneter, som ikke tilbydes af de nuværende observationsmetoder.

Der er flere nuværende metoder til at detektere exoplaneter, der giver information såsom planetens størrelse og dens omløbsperiode, men de giver måske ikke planetens masse eller hvor elliptisk deres bane er, som alle er faktorer, der påvirker stabiliteten, bemærker Tamayo.

Metoden udviklet af Tamayo og hans team er resultatet af en række workshops på U of T Scarborough, der dækker, hvordan maskinlæring kan hjælpe med at tackle specifikke videnskabelige problemer. Forskningen er i øjeblikket offentliggjort online i Astrofysiske tidsskriftsbreve .

"Det, der er opmuntrende, er, at vores resultater fortæller os, at det er det værd at investere ugers beregning for at træne maskinlæringsmodeller, fordi ikke kun dette værktøj er nøjagtigt, det virker også meget hurtigere, " tilføjer han.

Det kan også være nyttigt, når man analyserer data fra NASA's Transiting Exoplanet Survey Satellite (TESS), der skal lanceres næste år. Den to-årige mission vil fokusere på at opdage nye exoplaneter ved at fokusere på de klareste stjerner i nærheden af ​​vores solsystem.

"Det kunne være et nyttigt værktøj, fordi forudsigelse af stabilitet ville give os mulighed for at lære mere om systemet, fra de øvre grænser af masse til disse planeters excentriciteter, " siger Tamayo.

"Det kunne være et meget nyttigt værktøj til bedre at forstå disse systemer."