Neurale netværk forudsiger planetens masse

For at finde ud af, hvordan planeter dannes, astrofysikere udfører komplicerede og tidskrævende computerberegninger. Medlemmer af NCCR PlanetS ved Universitetet i Bern har nu udviklet en helt ny tilgang til at fremskynde denne proces dramatisk. De bruger dyb læring baseret på kunstige neurale netværk, en metode, der er velkendt inden for billedgenkendelse.

Planeter vokser i stjerneskiver, udskiller fast materiale og gas. Om de bliver til kroppe som Jorden eller Jupiter afhænger af forskellige faktorer som de faste stoffers egenskaber, trykket og temperaturen i skiven og det allerede akkumulerede materiale. Med computermodeller forsøger astrofysikerne at simulere vækstprocessen og bestemme den indre planetariske struktur. For givne grænsebetingelser beregner de masserne af en planets gashylster. "Dette kræver løsning af et sæt differentialligninger, " forklarer Yann Alibert, Videnskabsmedarbejder for NCCR PlanetS ved Universitetet i Bern:"At løse disse ligninger har været en specialitet for astrofysikere her i Bern i de sidste 15 år, men det er en kompliceret og tidskrævende proces."

For at fremskynde beregningerne tog Yann Alibert og PlanetS-associeret Julia Venturini fra International Space Science Institute (ISSI) i Bern en metode, der allerede har fanget mange andre felter, herunder smartphone udvikling:dyb læring. Det er, for eksempel, bruges til ansigts- og billedgenkendelse. Men denne gren af ​​kunstig intelligens og maskinlæring har også forbedret automatisk sprogoversættelse og er afgørende for selvkørende biler. "Der er en stor hype også inden for astronomi, " siger Alibert. "Maskinlæring er allerede blevet brugt til at analysere observationer, men mig bekendt vi er de første til at bruge deep learning til et sådant formål." Alibert og Venturini offentliggør deres resultater i tidsskriftet Astronomi og astrofysik ( A&A ).

Database over millioner af planeter

Først, forskerne skulle lave en database. De beregnede millioner af mulige indre strukturer af planeter. "Det tog os tre uger at beregne alle disse testcases ved hjælp af en kode udviklet af Julia Venturini under hendes Ph.D. i Bern, " siger Alibert. Det næste skridt var at bestemme arkitekturen af ​​et kunstigt neuralt netværk, et sæt algoritmer, der sender inputdata gennem matematiske operationer og har evnen til at lære uden at være eksplicit programmeret. "Derefter, vi trænede dette netværk ved hjælp af vores gigantiske database, " siger astrofysikeren. "Nu, vores netværk er i stand til at forudsige massen af ​​en planet, der dannes under visse forhold, med en meget god nøjagtighed og enormt hurtigere end at løse differentialligningerne."

Den dybe læringsproces er meget mere præcis end tidligere udviklede metoder til at erstatte løsningen af ​​differentialligninger med nogle analytiske formler. Disse analytiske formler kunne forudsige, at en planet skulle vokse op til Jupiters masse, mens den i virkeligheden ikke kunne have mere masse end Neptun. "Vi viser, at vores dybe neurale netværk giver en meget god tilnærmelse på niveauet af procenter, " opsummerer Alibert. Forskerne leverer deres resultater på softwareudviklingsplatformen GitHub, så kolleger, der arbejder med planetdannelse over hele verden, får gavn af dem.