沃里克大学 信用:CC0公共领域 华威大学科学家开发的一种新的机器学习算法已经证实了50个潜在的行星
天文学家第一次使用了一种基于机器学习的过程，一种人工智能的形式，来分析潜在行星的样本，并确定哪些是真的，哪些是“假的”，或假阳性，计算每个候选行星是真行星的概率
他们的结果发表在《皇家天文学会月报》上的一项新研究中，他们还对这种行星验证技术进行了第一次大规模的比较
他们的结论为使用多种验证技术提供了理由，包括他们的机器学习算法，在统计上证实未来的系外行星发现
许多系外行星调查从望远镜的大量数据中寻找行星在望远镜和它们的恒星之间经过的迹象，这就是所谓的凌日
这导致望远镜探测到的恒星发出的光线明显下降，但这也可能是由双星系统、背景物体的干扰甚至相机的微小误差造成的
这些假阳性可以在行星验证过程中筛选出来
沃里克大学物理和计算机科学系以及艾伦·图灵研究所的研究人员建立了一种基于机器学习的算法，可以在美国宇航局的开普勒和泰丝等望远镜任务发现的数千个候选行星的大样本中区分出真实的行星和虚假的行星
它被训练使用两个大样本的已确认行星和来自现已退役的开普勒任务的假阳性来识别真正的行星
研究人员随后在来自开普勒的仍未确认的候选行星数据集上使用了该算法，产生了50颗新的已确认的行星，第一颗被机器学习验证
以前的机器学习技术已经对候选人进行了排名，但从未确定候选人本身是真实星球的概率，这是星球验证的必要步骤
这50颗行星从像海王星一样大的世界到比地球小的世界不等，轨道长达200天，小到一天
通过确认这50颗行星是真实的，天文学家现在可以优先考虑用专用望远镜进一步观察这些行星
医生
华威大学物理系的大卫·阿姆斯特朗说:“我们开发的算法让我们可以让50名候选人通过行星验证的门槛，将他们升级为真正的行星
我们希望将这种技术应用于像泰丝和柏拉图这样的来自当前和未来任务的候选人的大样本
就行星验证而言，以前没有人使用过机器学习技术
机器学习已经被用于对行星候选人进行排名，但从未在概率框架中使用过，这是你真正验证一颗行星所需要的
我们现在可以说精确的统计可能性是什么，而不是说哪些候选者更有可能是行星
当候选人的假阳性概率小于1%时，它就被认为是一颗有效的行星
" 医生
沃里克大学计算机科学系的西奥·达穆拉斯，艾伦·图灵研究所数据中心工程和图灵研究员副主任，说:“统计机器学习的概率方法特别适合于天体物理学中这样一个令人兴奋的问题，它需要结合先验知识——来自像Dr
阿姆斯特朗——以及预测不确定性的量化
当概率方法的额外计算复杂性得到显著回报时的一个主要例子
" 一旦建立和训练，该算法比现有的技术更快，可以完全自动化，使其成为分析当前调查中观察到的数以千计的潜在行星候选者的理想选择，如TESS
研究人员认为，这应该是未来集体用来验证行星的工具之一
医生
阿姆斯特朗补充道:“迄今为止，几乎30%的已知行星仅用一种方法得到了验证，这并不理想
仅仅因为这个原因，开发新的验证方法是可取的
但是机器学习也让我们能够非常快速地完成这项工作，并且更快地对候选人进行优先排序
我们仍然需要花时间训练算法，但是一旦训练完成，将它应用到未来的候选人身上就变得容易多了
你也可以结合新的发现来逐步改进它
像TESS这样的调查预计会有成千上万的候选行星，能够一致地分析它们是理想的
像这样快速、自动化的系统可以用更少的步骤带我们一路到达经过验证的星球，让我们高效地完成任务
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
