|
編譯 | 許楠、顧金濤 編輯 | 吳非
數(shù)年前，開普勒天文望遠(yuǎn)鏡在2545光年外發(fā)現(xiàn)了一顆大小與太陽相近的恒星：開普勒90。在隨后的觀測中，科學(xué)家發(fā)現(xiàn)了更多與太陽系相似的特征：開普勒90擁有7顆行星，且較小的行星距恒星更近，而更大的行星占據(jù)外側(cè)軌道。
在剛剛公布的這項新發(fā)現(xiàn)中，NASA與谷歌聯(lián)合找出了該行星系統(tǒng)的第8顆行星：開普勒90i，這使得人類首次在太陽系外，找到由8顆行星組成的行星系統(tǒng)。
藝術(shù)家筆下，開普勒90行星系統(tǒng)中的8顆行星（行星大小按比例描繪；距離不按照比例） 新發(fā)現(xiàn)的開普勒90i同樣是一顆類地行星，它比地球大了約30%，是該行星系統(tǒng)中距恒星第三近的行星。但與地球相比，開普勒90i離恒星更近，公轉(zhuǎn)一周僅需14.4天，而其宿主恒星也比太陽更熱，因此它的表面平均溫度可能超過了800華氏度（約427攝氏度），與水星接近。顯然，這個溫度對于生物來說顯得太高了。 事實上，整個開普勒90行星系統(tǒng)就像是一個被壓縮的太陽系：即使是最外側(cè)的行星開普勒90h，與宿主恒星的距離比日地距離還要短。 開普勒90行星系統(tǒng)與太陽系的軌道對比 這個被稱作“第二個太陽系”的行星系統(tǒng)不含宜居的行星，這可能讓很多人略感失望。但相比于開普勒90i本身，這項研究更重大的意義在于，人工智能手段開始參與系外行星的搜尋，并且首次為人類找出此前被遺漏的行星。
開普勒太空望遠(yuǎn)鏡
相比于主動發(fā)光的恒星，黯淡、渺小的系外行星往往難以直接觀測。但當(dāng)行星從其宿主恒星前方穿過時，會遮住恒星的一部分光線。因此，我們觀測到恒星亮度出現(xiàn)微弱的下降，呈現(xiàn)出下圖所示的“U”型曲線。通過這種“凌星”現(xiàn)象，我們能夠?qū)ο低庑行沁M(jìn)行間接探測。
2009年升空的開普勒太空望遠(yuǎn)鏡，正是通過凌星法，連續(xù)掃描了超過15萬顆恒星，以檢索恒星表面產(chǎn)生的微弱亮度變化。2014年，開普勒由第二任務(wù)K2接班，K2任務(wù)在范圍更小的數(shù)據(jù)庫基礎(chǔ)上捕捉系外行星，甚至還進(jìn)行了許多其它觀測。2014年，開普勒的第二階段K2項目啟動，在范圍更小的數(shù)據(jù)庫基礎(chǔ)上捕捉系外行星，并對其進(jìn)行多項觀測。
開普勒的行星捕捉任務(wù)獲得了不可思議的成功。截至目前，開普勒項目已經(jīng)確認(rèn)了超過2500顆系外行星——數(shù)量約為目前已知行星的三分之二；同時，還有超過2000顆“候選行星”等待進(jìn)一步的觀測、分析進(jìn)行確認(rèn)。
盡管開普勒項目已經(jīng)取得豐碩的成果，但很多人相信，在開普勒數(shù)據(jù)庫中，還有很多重要信息有待挖掘。而限制我們進(jìn)一步分析這些數(shù)據(jù)的因素，是軟件的分析速度及分辨率。開普勒太空望遠(yuǎn)鏡每30分鐘對浩瀚宇宙拍攝一張照片，一共創(chuàng)造了大約 140 億個數(shù)據(jù)點，其中包含了35000個可能的行星信號。即便是對于最強(qiáng)大的計算機(jī)來說，這也是海量數(shù)據(jù)，分析起來既耗時又費力。另一個問題在于，通過自動化檢測或用肉眼檢測，我們可以發(fā)現(xiàn)數(shù)據(jù)中最有可能的信號。然而，最微弱的信號通常會被這些方法忽略。
用人工智能搜尋系外行星 當(dāng)谷歌AI團(tuán)隊的高級軟件工程師Christopher Shallue發(fā)現(xiàn)，人類從太空獲取數(shù)據(jù)的技術(shù)在不斷發(fā)展，但海量數(shù)據(jù)已經(jīng)將天文學(xué)淹沒時，他提出一個設(shè)想：或許，我們可以將神經(jīng)網(wǎng)絡(luò)應(yīng)用于開普勒數(shù)據(jù)的分析。
在這一過程中，他與德克薩斯大學(xué)奧斯汀分校的天體物理學(xué)家Andrew Vanderburg進(jìn)行合作，將機(jī)器學(xué)習(xí)技術(shù)運用到了太空探索中，讓機(jī)器學(xué)會了識別繞著遙遠(yuǎn)恒星公轉(zhuǎn)的行星。
研究人員用超過 1.5 萬個經(jīng)過標(biāo)記的開普勒太空望遠(yuǎn)鏡信號的數(shù)據(jù)集，對機(jī)器學(xué)習(xí)系統(tǒng)進(jìn)行訓(xùn)練。為此，系統(tǒng)需要能夠辨別出行星的特征，并且能夠與恒星黑子、雙星系統(tǒng)和其他天體進(jìn)行區(qū)分。隨后，他們利用這個系統(tǒng)來測試未曾分析過的信號，系統(tǒng)識別行星信號和非行星信號的準(zhǔn)確率高達(dá) 96%。因此，研究人員相信，該方法能夠在行星搜尋中發(fā)揮作用。
通過該系統(tǒng)，研究人員對670個已知至少包含兩顆行星的系外星系進(jìn)行了檢測，并從中發(fā)現(xiàn)開普勒90i。
“我們找到了許多假陽性行星，但是也可能存在更多的真實行星，”Vandnerburg如是說?！斑@個過程就像從石頭中找尋寶石，如果你用一個更細(xì)的濾網(wǎng)，那么你在得到更多石頭的同時，也會找到更多的寶石?！?/span>
開普勒90i并不是這個神經(jīng)網(wǎng)絡(luò)篩選出來的唯一寶石。在開普勒80行星系統(tǒng)中，他們還找到了該星系的第六顆行星——和地球大小相近的開普勒80g。它與相鄰的四顆行星構(gòu)成了一條“共振鏈”——行星被彼此的重力拴住，在軌道上有節(jié)律地共舞。如此一來，便與TRAPPIST-1星系（包含7顆地球大小的類地行星的行星系統(tǒng)）中的七顆行星相似，形成非常穩(wěn)定的系統(tǒng)。
人工智能在系外行星搜尋中的應(yīng)用才剛剛起步。Vandnerburg在新聞發(fā)布會中提到，“在開普勒90行星系統(tǒng)中，可能有很多尚未發(fā)現(xiàn)的行星，如果這顆恒星周圍沒有更多了行星了，或許才會令我感到驚訝?！?/span>
開普勒90是我們在太陽系以外發(fā)現(xiàn)的第一個擁有八顆行星的行星系統(tǒng)，但很顯然，它不會是最后一個。我們期待，人工智能會將我們對宇宙認(rèn)知提升到一個新的高度。 在Reddit論壇上，NASA與谷歌的研究人員回答了讀者的提問，以下為問答精選： 問：我想知道當(dāng)James Webb接替了哈勃之后，谷歌AI是否會用來協(xié)助它工作？另外，在未來10-20年中，我們可以期待用James Webb觀測到什么？我們能否用AI和James Webb來確定是否真的存在人類宜居星球？ 答：谷歌AI或者其他機(jī)器學(xué)習(xí)工具在未來的任務(wù)，如Webb, Tess或者其他任務(wù)中，可能會被用來進(jìn)行數(shù)據(jù)分析。就像Chris和Andrew合作從公共數(shù)據(jù)庫中發(fā)掘出了Kepler數(shù)據(jù)庫，其他NASA新舊數(shù)據(jù)庫中的數(shù)據(jù)也可能被發(fā)掘出來，進(jìn)行進(jìn)一步的研究。在未來10-20年中，我們預(yù)計會繼續(xù)統(tǒng)計系外行星數(shù)量并對之進(jìn)行勘測（如測量重量、大小等性質(zhì)），甚至可能會用日冕儀或星冕儀技術(shù)直接成像。我們的目標(biāo)是回答這個歷史性問題：我們孤單嗎？通過Webb, Tess及其他任務(wù)，我們有希望回答這個問題，但是很難說是在下一個十年、二十年，還是需要更久……——Kartik Sheth, NASA HQ 問：Kepler的分辨率是多少？如果用它來觀測冥王星和海王星，會看到什么？而在觀測系外行星時，又看到了什么？ 答：Kepler的分辨率約為6角秒，在天文望遠(yuǎn)鏡中相對較低——與之相比，哈勃望遠(yuǎn)鏡的分辨率要好60倍。原因在于Kepler主要注重視角的廣度。Kepler觀測海王星的影像在以下鏈接中，雖然圖像不精美，但是亮度測量確十分精準(zhǔn)。https://www./watch?v=Tw-q3uM_5_0 ——Andrew V, UT Austin 問：文中提到采用卷織神經(jīng)網(wǎng)絡(luò)（convolutional neural networks , CNN）篩選“候選星”清單，但是CNN擅長二維數(shù)字信號分析。所以分析中，輸入CNN的信息是恒星的光變曲線還是影像？ 答：問得好！CNN的確如你所說，通常用來分析二維影像，但是他們還可以用來分析N維數(shù)字信號。實際上，彩色圖片就是三維數(shù)字信號，因為它們有兩個空間維度和一個色彩維度（RGB），彩色視頻就是四位數(shù)字信號，因為它們還有時間維度。在這個項目中，我們訓(xùn)練了一維CNN，輸入信息為一維的光變曲線，即隨不同時間光亮度的值?！狢hris Shallue, Google AI 問：機(jī)器學(xué)習(xí)很像魔術(shù)中，會產(chǎn)生不可思議結(jié)果的暗箱，在你們不知道它的實際過程時，研究的科學(xué)價值不會因為這個程序而受到質(zhì)疑嗎？ 答：我們開發(fā)機(jī)器學(xué)習(xí)模型時，我們特地移除了一些標(biāo)記的訓(xùn)練數(shù)據(jù)片段——約10%。然后，當(dāng)我們的模型完成訓(xùn)練后，我們用這些該模型從未見過的10%的數(shù)據(jù)來進(jìn)行測試，在此過程中，我們發(fā)現(xiàn)模型完成測試的正確率為96%。就對機(jī)器學(xué)習(xí)系統(tǒng)的了解來說，我們具備觀測模型“內(nèi)部運作”的技術(shù)，因此可以幫助我們了解為什么它們會做出某些決策。我們開發(fā)了一些使神經(jīng)網(wǎng)絡(luò)可視化的方式，它們在Kepler信號中發(fā)揮了作用。一般來說，神經(jīng)網(wǎng)絡(luò)本身并不是不可解讀的，并且還有一個宏觀的研究正在對探測和了解神經(jīng)網(wǎng)絡(luò)的工具進(jìn)行進(jìn)一步開發(fā)。 參考材料： https://www./press-release/artificial-intelligence-nasa-data-used-to-discover-eighth-planet-circling-distant-star https://www./39099-alien-solar-system-with-eight-exoplanets-discovery.html https://nasa./post/168542791629/researchers-just-found-for-the-first-time-an-8th https://en./wiki/Kepler-90 https://www./r/science/comments/7jrexn/science_ama_series_were_planet_hunters_from_nasa/ |
|
|
