Fremkomsten af ​​maskinlæring inden for astronomi

Når du kortlægger universet, det kan betale sig at have noget smart programmering. Eksperter deler, hvordan maskinlæring ændrer astronomiens fremtid.

Astronomi er en af ​​de ældste videnskaber og den første videnskab, der indarbejdede matematik og geometri. Den sidder i centrum for menneskehedens søgen efter sin plads i universet.

Når vi dykker dybere ind i rummet omkring vores planet, de værktøjer, vi bruger, bliver mere komplekse. Astronomer er kommet langt fra at spore nattehimlen med det blotte øje eller katalogisere stjernerne med en pen og papir.

Moderne astronomer bruger avancerede computerprogrammeringsteknikker i deres arbejde - fra programmering af satellitter til at lære computere at analysere data som en forsker.

Så hvad gør astronomer med deres computere?

Mo 'data, mo 'problemer

Big data er et stort problem inden for astronomi. Den næste generation af radio- og optiske teleskoper vil kunne kortlægge store bidder af nattehimlen. Square Kilometer Array (SKA) vil presse databehandlingen til sine grænser.

Bygget i to faser, SKA vil have over 2000 radioretter og 2 millioner lavfrekvente antenner, når de er færdige. Disse antenner tilsammen vil producere over en eksabyte data hver dag - mere end verdens internetforbrug pr. Dag. Dataene behandles derefter for at blive gjort håndterbare, hvilket betyder, at størrelsen på de data, som astronomer skal håndtere, vil være mindre.

Projektforsker for den australske SKA Pathfinder Dr. Aidan Hotan forklarer.

"Data fra et radioteleskop -array ligner meget vandstrømmen gennem et økosystem. De enkelte antenner producerer hver især data, som derefter overføres over en vis afstand og kombineres med andre antenner i forskellige faser - som mindre bifloder, der kombineres til en større flod, «siger Aidan.

"Den største datahastighed, du kan overveje, er den samlede råproduktion fra hver enkelt antenne, men i virkeligheden, vi reducerer den samlede sats til mere håndterbare tal, når vi flyder gennem systemet. Vi kan kombinere signalerne på måder, der kun bevarer de oplysninger, vi ønsker eller kan gøre brug af. "

Mens SKA vil være det største projekt af sin art, mange moderne teleskoper er i stand til at indsamle data hurtigere, end mennesker er i stand til at bruge dem.

Sådan finder du en eksplosion

SKA vil være et spil-skiftende værktøj for astronomer, når det er færdigt. Allerede, astronomer forbereder deres arbejde til fase 1 af SKA. At gøre dette, de arbejder på måder at gøre deres job hurtigere og lettere ved at automatisere registrering og behandling af data.

Så hvilken slags arbejde kan astronomer automatisere?

Dr. Gemma Anderson er forskningsassistent ved International Center for Radio Astronomy Research i Perth. Der, hun har programmeret australske radioteleskoper til automatisk at overvåge eksplosioner i rummet.

"Vi har et teleskop i rummet designet til at lede efter eksplosioner. Rumteleskopet sender information tilbage til Jorden, og jeg har to af de store radioteleskoper i Australien sat op til at modtage det signal. Når de får signalet, disse teleskoper stopper det, de laver, og forsøger at observere eksplosionen så hurtigt som muligt, "Siger Gemma.

Gemma bruger Swift -observatoriet, i øjeblikket kredser om jorden, at finde gammastråleudbrud i rummet. Udbruddene er de kortvarige, utroligt energisk biprodukt af døende stjerner.

Gemma og hendes team har programmeret Australiens Murchison Widefield Array og Australia Telescope Compact Array til at modtage advarsler fra Swift og pege på kilden til gammastrålesprængningen.

I fortiden, teleskopdata som denne var lille nok til, at astronomer kunne klare sig selv. Nu, Gemma bruger software, der automatiserer meget af denne proces.

Databehandling er så stor en opgave, at den skal udføres på supercomputere. Supercomputere er kraftfulde computere, der ofte kan behandle enorme mængder data på timer i stedet for de måneder eller år, det ville tage på en standard bærbar computer. Slutproduktet er et billede, Gemma kan bruge til forskning uden at skulle behandle dataene selv.

"For de mennesker, der er interesseret i at være astronom, Det er meget vigtigt at få erfaring med computerprogrammering. Vi skal blive dygtigere til at behandle og analysere store mængder data, "Siger Gemma.

Undervisning i en robot

Dr. Rebecca Lange fra Curtin Institute for Computation and Astronomy Data og Computing Services hjælper astronomer med at øge deres computerprogrammeringsteknikker ved at give dem uddannelse.

"Jeg tror, ​​at astronomer bliver nødt til at begynde at arbejde mere med softwareingeniører. I mellemtiden, selvom, astronomer bliver bedre til at beregne. Ting som programmering skal blive en del af uddannelsen. Ikke kun for astronomer, det er vigtigt for alle, der laver videnskab nu, "Siger Rebecca.

Blandt de teknikker, Rebecca træner astronomer i, er maskinlæring. Bare rolig, det er ikke den slags læring, der fører til et robotoprør.

"Brugen af ​​maskinlæring involverer typisk en automatiseret søgning gennem en enorm billedfil, på udkig efter det, vi kalder kilder - de objekter i rummet, der udsender naturlige radiosignaler. Disse kilder fremstår som lyspunkter mod en mørk baggrund, «siger Aidan.

"Da det meste af rummet er tomt, ved hjælp af en smart kildefinder gør det meget lettere for forskere at finde ud af, hvor de interessante bits er. Imidlertid, denne kildefinder skal være smart nok til at klassificere et stort antal forskellige slags objekter, herunder ting, som menneskelige øjne aldrig før har set. "

En kilde kan være en galakse, der er spiralformet, while another might be elliptical. The machine-learning program learns to sort similar images into those labels through a series of steps. These steps are a basic emulation of how human brains recognise patterns. Getting computers to do this gives astronomers useful information out of raw data.

"Machine learning is getting picked up because we now have the amount of data needed. When you're doing supervised learning, you need a lot of data to train on. If you look at galaxy classification, we have done so many already that we have a great training sample for machine learning, " Rebecca says.

She thinks automation and machine learning will give astronomers more time to focus on their science rather than analysing their data. She also says designing these programs will be the job given to next-generation astronomers in their early career.

"Astronomers are still getting used to machine learning. They're still experimenting:what algorithm works best, what kind of machine learning techniques are most useful to apply, " hun siger.

"Lige nu, it's a great entry point for Ph.D. students to develop code. The industry needs it, and it saves them having to sort the data themselves."

They will reach deeper into the universe and find old galaxies from the beginning of time. They will map hidden worlds, distant suns and the strangest, most destructive forces in existence. Perhaps they will even find new life.

These computer programs will work like a funnel. They will sort through massive amounts of raw data to find astronomers valuable information. A long way from our analogue past, computers are helping us uncover the secrets of our universe—perhaps even, en dag, understanding of our place within it.

Denne artikel blev først vist på Particle, et videnskabeligt nyhedswebsted baseret på Scitech, Perth, Australien. Læs den originale artikel.