麦迪逊·阿诺德，美国宇航局戈达德太空飞行中心 这幅插图描绘了一个代表性的食双星(顶部)和一个由亚当·弗里德曼确定的候选食四星系统的光曲线
在四重系统中由额外的日食引起的额外的下沉导致了一个更复杂的模式
信用:美国宇航局戈达德太空飞行中心 一盘棋有20个可能的开局
想象一下被要求开始一个有几千万个空位的游戏
这是分配给亚当·弗里德曼的任务，他是马里兰州格林贝尔特美国宇航局戈达德太空飞行中心2020年的暑期实习生
作为一名高中象棋冠军，弗里德曼分析了他的对手——关于7000多万颗恒星亮度变化的海量数据
使用传统的计算方法，筛选和分类这些测量值的任务可能需要几个月的时间
通过使用机器学习这种人工智能的形式，这可以在几秒钟内完成
弗里德曼与戈达德高能天体物理科学档案研究中心的数据科学家布莱恩·鲍威尔合作，训练了一个计算机系统来识别一类重要的变星，而无需对其进行明确编程
机器学习允许计算机自动处理和分类海量数据——这正是在海量数据中进行筛选所需要的
为了做到这一点，鲍威尔创建了一个神经网络——一系列数学规则，试图通过一个以非常简单的方式模拟人类大脑工作方式的过程来识别数据中的潜在关系
然而，要让神经网络发挥作用，它必须经过训练
“实习是为了收集训练数据，”弗里德曼说，“因为机器学习通过收集大量难以置信的例子来训练模型
" 美国宇航局的凌日系外行星调查卫星(TESS)于2018年4月发射，通过监测附近恒星的亮度变化，寻找太阳系以外的新世界，或系外行星。
自从发射以来，苔丝几乎观察了整个天空
每两周一次，卫星发回数千幅大照片，这些照片被称为预先计划好的天空部分的全帧图像
天文学家利用这些数据构建光曲线，即显示恒星亮度如何随时间变化的图表
根据原始的泰丝数据，鲍尔使用美国宇航局戈达德气候模拟中心(NCCS)的129，000核心“发现”超级计算机来构建数百万条光曲线
“多亏了NCCS的支持，我们得以开始大量建造光曲线
我们现在大约有7000万人，还会有更多的人
鲍威尔说:“数据科学和机器学习可以帮助推动这些发现，使大量数据能够比以往任何时候都更快、更准确地分类和处理。”
从这个巨大的堆栈中，弗里德曼想找出食双星，即从地球上看，在每个轨道上交替经过或穿过彼此的成对恒星
在每次月蚀期间，当一颗恒星在另一颗恒星前面经过时，系统会变暗，从而导致其光曲线下降
“食双星真正有用的特征，也是它们成为天体物理学支柱的原因，是它们给我们提供了对它们基本属性的直接测量，比如它们的质量和大小，”加州山景城戈达德和SETI研究所的研究科学家维瑟林·科斯托夫说
“通过这些特性，我们可以直接测量到这些系统的距离
它们为我们提供了为数不多的测量宇宙中直接距离的机会
" NCCS还提供了他们的高级数据分析平台图形处理单元集群，用于运行鲍威尔编码和弗里德曼训练的神经网络
弗里德曼可以输入一条光曲线，并指示神经网络将其分配到一个特定的类别
在重复这个动作数千次后，神经网络开始识别光曲线组，并根据给定曲线符合给定组的概率提出分类
弗里德曼为各种各样的恒星系统找到了光曲线的例子，并将它们输入网络，直到网络了解到每种光曲线的样子，并能够自动识别新的光曲线
这使得一项在现代台式电脑上耗时数月的任务在几秒钟内就能完成
机器学习通过学习识别日食的特征并相应地标记光曲线，极大地提高了在数千万张苔丝图像中找到这些恒星系统的效率
但是弗里德曼很快注意到了一些光曲线的奇怪之处，该网络声称这些光曲线遮蔽了二进制候选对象
他们有额外的蘸酱
有时，星形系统可以有两个以上的组件
如果这些恒星相互遮挡，那么光曲线会有额外的变暗，乍看之下，它们会以不规则的间隔出现
弗里德曼发现它们是多星系统的候选者，然后开始在由神经网络识别的食双星中彻底搜索相似的系统
总共，弗里德曼发现了八个新的候选四重恒星系统
这些案例很有趣，因为它们提供了关于多站系统如何形成和发展的见解
弗里德曼刚刚在密歇根大学计算机科学专业读完大一，在夏天开始时，他没有天文学、高性能计算、数据科学或机器学习方面的背景
由于手头任务的复杂性，弗里德曼在新冠肺炎的家中进行了实习，但尽管面临这些挑战，鲍威尔说他很快就明白了
“他简直才华横溢，”鲍威尔说
“亚当有一种不可思议的能力，可以看到光线曲线中周期性的偏差
“实习有了如此大规模的深刻成果，人们很容易忘记弗里德曼的进步历程
“他不像是一个天文学家和机器学习专家，”他补充道
“他在如此短的时间内掌握极其复杂的概念和技能的能力令人震惊
" 弗里德曼很感激这个夏天他和鲍威尔在一起的时光
他说:“我必须给布莱恩很大的荣誉
他是一个不可思议的导师；他绝对是我见过的最好的主管
他每天都和我见面，只是为了教我如何做这个项目
他真的是一位伟大的老师
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
