Databehandling og søgen efter nye planeter

Da MIT lancerede MIT Stephen A. Schwarzman College of Computing i efteråret, et af målene var at drive yderligere innovation inden for databehandling på tværs af alle MIT's skoler. Forskere udvider allerede ud over traditionelle anvendelser af datalogi og bruger disse teknikker til at fremme en række videnskabelige områder, fra kræftmedicin til antropologi til design – og til opdagelsen af ​​nye planeter.

Beregning har allerede vist sig nyttig til Transiting Exoplanet Survey Satellite (TESS), en NASA-finansieret mission ledet af MIT. Lanceret fra Cape Canaveral i april 2018, TESS er en satellit, der tager billeder af himlen, mens den kredser om Jorden. Disse billeder kan hjælpe forskere med at finde planeter, der kredser om stjerner ud over vores sol, kaldet exoplaneter. Dette arbejde, som nu er halvvejs færdig, vil afsløre mere om de andre planeter inden for det, NASA kalder vores "solkvarter".

"TESS har netop afsluttet den første af sin to-årige primære mission, undersøger den sydlige nattehimmel, " siger Sara Seager, en astrofysiker og planetforsker ved MIT og vicedirektør for videnskab for TESS. "TESS fandt over 1, 000 planetkandidater og omkring 20 bekræftede planeter, nogle i flere planetsystemer."

Mens TESS har muliggjort nogle imponerende opdagelser indtil videre, at finde disse exoplaneter er ikke nogen nem opgave. TESS indsamler billeder af mere end 200, 000 fjerne stjerner, gemmer et billede af disse planeter hvert andet minut, samt gemme et billede af en stor himmelskrå hvert 30. minut. Seager siger hver anden uge, hvilket er hvor lang tid det tager satellitten at kredse om Jorden, TESS sender omkring 350 gigabyte data (når de er ukomprimeret) til Jorden. Mens Seager siger, at dette ikke er så meget data, som folk kunne forvente (en 2019 Macbook Pro har op til 512 gigabyte lagerplads), at analysere dataene involverer at tage mange komplekse faktorer i betragtning.

Seager, som siger, at hun længe har været interesseret i, hvordan beregning kan bruges som et værktøj til videnskab, begyndte at diskutere projektet med Victor Pankratius, en tidligere hovedforsker ved MIT's Kavli Institute for Astrophysics and Space Research, som nu er direktør og leder af global software engineering hos Bosch Sensortec. En uddannet datamatiker, Pankratius siger, at efter ankomsten til MIT i 2013, han begyndte at tænke på videnskabelige områder, der producerer big data, men som endnu ikke har fået fuldt udbytte af computerteknikker. Efter at have talt med astronomer som Seager, han lærte mere om de data, deres instrumenter indsamler, og blev interesseret i at anvende computerstøttede opdagelsesteknikker til at søge efter exoplaneter.

"Universet er et stort sted, "Siger Pankratius. "Så jeg synes, det er en fantastisk ting at udnytte det, vi har på datalogisiden."

Den grundlæggende idé bag TESS' mission er, at ligesom vores eget solsystem, hvor Jorden og andre planeter kredser om en central stjerne (solen), der er andre planeter uden for vores solsystem, der kredser om forskellige stjerner. Billederne TESS indsamler producerer lyskurver - data, der viser, hvordan stjernens lysstyrke ændrer sig over tid. Forskere analyserer disse lyskurver for at finde fald i lysstyrken, hvilket kunne tyde på, at en planet passerer foran stjernen og midlertidigt blokerer noget af dens lys.

"Hver gang en planet kredser, du ville se denne lysstyrke falde, " siger Pankratius. "Det er næsten som et hjerteslag."

Problemet er, at ikke hvert fald i lysstyrke nødvendigvis er forårsaget af en forbipasserende planet. Seager siger, at maskinlæring i øjeblikket kommer i spil under "triage"-fasen af ​​deres TESS-dataanalyse, hjælpe dem med at skelne mellem potentielle planeter og andre ting, der kan forårsage fald i lysstyrken, som variable stjerner, som naturligt varierer i deres lysstyrke, eller instrumentstøj.

Analyse på planeter, der passerer gennem triage, udføres stadig af videnskabsmænd, der har lært at "læse" lyskurver. Men holdet bruger nu tusindvis af lyskurver, der er blevet klassificeret efter øje til at lære neurale netværk, hvordan man identificerer exoplanetpassager. Beregning hjælper dem med at indsnævre, hvilke lyskurver de skal undersøge mere detaljeret. Liang Yu Ph.D. '19, en nyuddannet fysik, bygget på en eksisterende kode til at skrive maskinlæringsværktøjet, som teamet nu bruger.

Selvom det er nyttigt til at finde de mest relevante data, Seager siger, at maskinlæring endnu ikke kan bruges til blot at finde exoplaneter. "Vi har stadig meget arbejde at gøre, " hun siger.

Pankratius er enig. "Det, vi ønsker at gøre, er grundlæggende at skabe computerstøttede opdagelsessystemer, der gør dette for alle [stjerner] hele tiden, " siger han. "Du vil bare trykke på en knap og sige, vis mig alt. Men lige nu er det stadig folk med en vis automatisering, der kontrollerer alle disse lyskurver."

Seager og Pankratius underviste også i et kursus, der fokuserede på forskellige aspekter af beregning og udvikling af kunstig intelligens (AI) inden for planetarisk videnskab. Seager siger, at inspirationen til kurset opstod fra en voksende interesse fra studerende for at lære om AI og dets anvendelser til banebrydende datavidenskab.

I 2018, kurset gav eleverne mulighed for at bruge faktiske data indsamlet af TESS til at udforske maskinlæringsapplikationer til disse data. Modelleret efter et andet kursus, som Seager og Pankratius underviste i, studerende på kurset var i stand til at vælge et videnskabeligt problem og lære regnefærdighederne til at løse dette problem. I dette tilfælde, studerende lærte om AI-teknikker og applikationer til TESS. Seager siger, at eleverne havde stor respons på den unikke klasse.

"Som studerende du kunne faktisk gøre en opdagelse, " siger Pankratius. "Du kan bygge en maskinlæringsalgoritme, køre det på disse data, og hvem ved, måske finder du noget nyt."

Meget af de data, TESS indsamler, er også let tilgængelige som en del af et større borgervidenskabsprojekt. Pankratius siger, at enhver med de rigtige værktøjer kan begynde at gøre egne opdagelser. Takket være cloud-forbindelse, dette er endda muligt på en mobiltelefon.

"Hvis du keder dig på din bustur hjem, hvorfor ikke søge efter planeter?" siger han.

Pankratius siger, at denne type samarbejde gør det muligt for eksperter på hvert domæne at dele deres viden og lære af hinanden, frem for at hver især forsøger at blive fanget i den andens felt.

"Over tid, videnskaben er blevet mere specialiseret, så vi har brug for måder at integrere specialisterne bedre på, " siger Pankratius. Computerkollegiet kunne hjælpe med at skabe flere sådanne samarbejder, tilføjer han. Pankratius siger også, at det kunne tiltrække forskere, der arbejder i skæringspunktet mellem disse discipliner, som kan bygge bro mellem eksperter i forståelse.

Denne type arbejde, der integrerer datalogi, bliver allerede mere og mere almindelig på tværs af videnskabelige områder, Seager noter. "Maskinlæring er 'på mode' lige nu, " hun siger.

Pankratius siger, at det til dels skyldes, at der er flere beviser for, at udnyttelse af computervidenskabelige teknikker er en effektiv måde at løse forskellige typer problemer og voksende datasæt på.

"Vi har nu demonstrationer på forskellige områder, at den computerstøttede opdagelsestilgang ikke bare virker, " siger Pankratius. "Det fører faktisk til nye opdagelser."