资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

天文学中的人工智能：自动搜索系外行星

创作时间:

作者:

@小白创作中心

天文学中的人工智能：自动搜索系外行星

引用

来源

https://www.editverse.com/zh-CN/%E5%A4%A9%E6%96%87%E5%AD%A6%E4%B8%AD%E7%9A%84%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E8%87%AA%E5%8A%A8%E6%90%9C%E7%B4%A2%E7%B3%BB%E5%A4%96%E8%A1%8C%E6%98%9F/

人工智能正在改变天文学的面貌。在寻找系外行星这一充满挑战的任务中，神经网络和深度学习算法展现出了惊人的能力。它们不仅能够更准确地识别微弱的行星信号，还能在海量数据中快速发现新的行星系统。本文将为您详细介绍人工智能如何助力天文学家探索宇宙中的其他世界。

“未来已经到来——只是分布不均。”——威廉·吉布森，著名科幻小说作家。这句话表明人工智能 (AI) 正在改变天文学。它使寻找系外行星变得容易得多。人工智能算法正在实现自动化这些行星的发现。这为了解太阳系外的行星打开了新的大门。

在过去十年中，有超过一百万颗恒星受到密切关注。其目的是找到从恒星前方穿过并遮挡部分光线的系外行星。这项艰巨的工作过去是由人来完成的。现在，人工智能和深度学习正在使其变得更快、更精确。

这些人工智能模型在海量数据中寻找模式。这有助于它们更好更快地找到系外行星。

关键精华

与传统的最小二乘方法相比，神经网络可以在嘈杂的时间序列数据中更准确地检测出类似地球的系外行星。
人工智能算法成功识别了新的系外行星候选者，包括开普勒-80 系统中的第六颗行星。
卷积神经网络是一种机器学习算法，可以非常高效地定位潜在的系外行星。
在望远镜中集成人工智能可以实现实时数据分析和系外行星的即时探测。
人工智能实施面临的挑战包括需要大量多样化的数据集，并确保将发现推广到新数据。

系外行星探测简介

几十年来，寻找系外行星一直是一件令人兴奋的事情。这些行星围绕其他恒星运行。当一颗行星经过其恒星前方时，我们可以研究其大气层。到目前为止，已经使用以下太空任务发现了 4,300 多颗系外行星：开普勒以及地面勘测。但是寻找类似地球的小型行星却非常困难。

探测类地系外行星的挑战

寻找类似地球的系外行星非常困难。行星经过时恒星亮度的变化非常小，对于像太阳这样的恒星来说，变化幅度约为百万分之 100。这种微小的变化通常会被恒星的自然变化所掩盖，因此很难发现这些行星。

传统方法：最小二乘优化和网格搜索

寻找系外行星的旧方法最小二乘优化or网格搜索。这些方法试图将数据与简单的运输模型相匹配。但是，它们可能会陷入局部最小值，从而导致错误的结果。为了改进，我们可以将数据分组在一起。但找到适合不同运输形状的最佳过滤器很难。

人们正在探索新方法，例如使用神经网络探测系外行星。这些新技术旨在克服恒星变化和系统误差带来的挑战。它们有望在大型巡天中以更好的方式找到类地系外行星。

神经网络：一种探测系外行星的新方法

神经网络，又称“深度学习”或“深度网络”，正在改变我们寻找系外行星的方式。它们不同于使用既定规则的旧方法。这些先进的模型可以自行学习在嘈杂的数据中发现系外行星的模式。

神经网络如何实现模式识别

我们的卷积神经网络可以比旧方法更好地找到类似地球的系外行星。这些深度学习模型可以很好地处理不同类型的数据。它们学会了识别系外行星信号，即使在有噪音和恒星亮度变化的情况下。

的力量天文学中的深度学习是它能够在大数据集中发现复杂模式。与旧式机器学习算法,卷积神经网络不需要我们挑选重要的特征。它们可以自己学习这些特征，并随着时间的推移变得更好。

“我们对开普勒光变曲线的深度网络分析发现了与真实周期一致的周期性凌日，无需任何模型拟合。”

得益于神经网络，我们在天文学领域取得了重大发现。例如，我们在开普勒-90 和开普勒-80 系统中发现了两颗新的地球大小的系外行星。这些行星被旧方法遗漏了，但被深度学习算法发现了。这表明这项技术对于探索系外行星有多么强大。

训练用于系外行星探测的神经网络

训练神经网络系外行星探测，我们使用了开普勒目录中已确认的 15,000 个系外行星信号的数据集。测试集显示，网络正确识别真行星和误报的概率为 96%。在学习了凌日系外行星的模式后，我们让模型在 670 个拥有多个已知行星的恒星系统中寻找较弱的信号。我们认为这些系统将是寻找更多系外行星的好地方。

该机器学习模型基于 15,000 多个带标签的开普勒信号进行训练。它正确识别行星和非行星的准确率达到 96%。借助该模型，我们查看了已知拥有两颗或更多系外行星的 670 颗恒星的数据。我们发现了两颗新行星：开普勒 80g 和开普勒 90i。

开普勒 90i 比地球大 30%，表面温度约为 800°F。它每 14 天绕恒星公转一次。开普勒 90 是太阳系外第一个已知的 8 行星系统。这表明开普勒数据中可能还有更多系外行星等待被发现。

“基于超过 96 个标记的开普勒信号的数据集，机器学习模型 15,000% 的时间正确识别了行星与非行星。”

开普勒在四年内观测了大约 200,000 万颗恒星，收集了大约 14 亿个数据点。这意味着大约有 2 千万亿个可能的行星轨道。但到目前为止，这 670 万颗恒星中只有 200,000 颗得到了检查。这表明，使用深度学习算法在开普勒数据中发现更多系外行星的可能性巨大。

天文学中的人工智能：自动搜索系外行星

人工智能技术改变了我们寻找系外行星的方式。在太阳系外寻找类地行星非常困难。它需要复杂的算法来处理大量数据。人工智能，尤其是神经网络，非常适合这项工作。

为了寻找系外行星，算法必须快速准确地发现数据中的模式。在模拟数据上训练的深度学习模型可以非常精确地识别系外行星的特征，超越传统方法.神经网络让我们能够自动进行搜索，从而为天文学家节省时间和资源以进行更多探索。

人工智能首次被用来发现两颗新的系外行星。
所开发的神经网络可以以 96% 的准确率识别行星。
人工智能正在协助寻找第九行星和发现新物体。

深度学习模型可以判断信号是否可能是凌日信号。这在寻找系外行星的复杂世界中至关重要。

“人工智能正在彻底改变我们寻找系外行星的方式，开辟天文学的新领域，并帮助我们了解在宇宙中的位置。”

随着越来越多的数据涌入，我们需要高效可靠的方法来处理这些数据。系外行星探测中的人工智能将改变太空探索。它让天文学家能够更快、更准确地揭开宇宙的秘密。

神经网络相对于传统方法的优势

在寻找系外行星时，神经网络有很多优势。它们可以处理难以手工弄清楚的复杂关系。这与使用简单规则的传统方法不同。

它们擅长处理嘈杂的数据和恒星的变化。传统方法通常会消除这些变化，从而隐藏行星信号。然而，神经网络在处理这些问题方面更胜一筹。这使得它们成为寻找系外行星的有力选择。

对噪声和恒星变化的鲁棒性

神经网络非常擅长处理噪音和恒星变化。它们从数据中学习，找到发现行星信号的最佳特征。这使得它们在寻找系外行星方面更加可靠。

“人工智能算法可以筛选天体物理学中的海量数据集，其速度之快令人类天文学家都感到不寒而栗。”

深度学习在系外行星科学中的应用

得益于深度学习，系外行星科学取得了巨大进步。研究人员使用神经网络来解决难题。其中包括预测一个系统是否有多个行星，以及弄清楚系外行星的大气层里有什么。

多行星预测

神经网络是发现多行星系统的关键。它们研究轨道周期、行星大小和质量之间的关系。这有助于在系统中发现其他行星，正如 Kipping 和 Lam (2017) 所展示的那样。这种新方法开辟了更多发现和了解系外行星的方法。

系外行星大气分类

深度学习还有助于根据光谱对系外行星大气进行分类。这些复杂的系统很难用传统方法解决。但神经网络可以很好地处理它们。通过在大型数据集上训练这些模型，科学家现在可以猜测系外行星的大气中有什么。这有助于我们了解系外行星的多样性和可能宜居性。

指某东西的用途用于多行星预测的神经网络,深度学习用于系外行星大气分类和其他人工智能在系外行星科学中的应用改变了我们研究系外行星的方式。随着技术的进步，我们很可能会在天文学和人工智能的交叉领域看到更多令人兴奋的发现。

开普勒-90i：人工智能发现的第一个八行星系统

天文学家利用机器学习取得了重大突破。借助谷歌神经网络，他们发现了第一个八行星系统——开普勒-90。开普勒-90i 是一颗炽热的岩石行星，绕恒星公转周期为 14.4 天。它是该系统中的第八颗行星，数量与我们的行星相当。

神经网络帮助发现了开普勒-90i。它根据开普勒太空望远镜的数据进行训练。研究人员 Andrew Vanderburg 和 Christopher Shallue 制作了这个模型。它在测试中 96% 的时间里都能正确地选出行星。该网络观察了 670 个恒星系统并发现了新行星，包括地球大小的开普勒-80g。

开普勒-90i 比地球大约大约 30%，表面温度超过 800 华氏度。-开普勒-90系统位于天龙座，距离我们 2,545 光年。它就像是我们太阳系的迷你版，小行星靠近恒星，大行星则远离恒星。

“这是神经网络首次用于在开普勒数据中发现行星，”范德堡说。“开普勒-90 行星系统就像是我们太阳系的迷你版。它的内部有小型岩石行星，外部有大型气体行星，就像我们太阳系一样。”

关于开普勒-90i 的研究将于天文学杂志. 该团队计划观察来自开普勒任务借助神经网络。他们希望能发现更多遥远的行星。

这一突破表明人工智能在系外行星科学领域有多么强大。通过使用神经网络寻找微弱信号，天文学家可以更多地了解其他行星系统。这可能会带来关于宜居星球的新发现。

人工智能驱动的系外行星探测的挑战和局限性

机器学习在寻找系外行星方面发挥了巨大作用。但是，使用人工智能进行这项工作仍面临巨大挑战和限制。我们的研究表明，人工智能会犯很多错误，会将一些信号误认为是行星，但实际上并非如此。

这就像在岩石中寻找宝石一样。在虚假信号中寻找真正的系外行星需要花费大量时间和精力。天文学家必须仔细检查每个结果。

人工智能寻找系外行星的能力还取决于它使用的数据。如果没有大量优质数据，人工智能就无法发挥最佳水平。这意味着它可能会犯更多错误，找不到真正的行星。

人工智能可能并不适用于所有寻找系外行星的方法。有些方法更适合某些类型的行星。但并非所有方法都能与人工智能一样有效。

即使存在这些问题，我们仍然对人工智能寻找系外行星抱有希望。随着机器学习越来越好，我们获得更多数据，人工智能可能会变得更加准确。这将帮助我们更多地了解行星。

“筛选结果以找到真正的系外行星信号就像‘筛选岩石以寻找珠宝’一样。”

人工智能在系外行星探索中的未来

随着我们探索宇宙，人工智能将成为太空任务的关键参与者。浩瀚的太空和复杂的系外行星使人工智能变得至关重要。它可以自行适应和做出决策，而无需人类的持续帮助。

人工智能太空任务和自主探索

人工智能将改变系外行星探索的格局。它已经在分析卫星数据、遥感和使航天器更加自主方面展现了其优势。由于航天器每周都会发送数 TB 的数据，因此人工智能对于理解这些数据至关重要。

人工智能将在自主解决问题方面发挥主导作用，使机器人无需人类引导即可探索太空。例如，火星探测器使用人工智能进行导航和决策。人工智能还有助于分析探测器和望远镜的数据，从而带来新发现。

人工智能将彻底改变系外行星的探索。它已经在分析卫星数据、遥感和提高航天器自主性方面展现了其技能。随着如此多的数据涌入，人工智能将成为理解这一切的关键。

人工智能将负责解决问题，让机器人能够独自探索太空。火星探测器依靠人工智能进行导航和决策。人工智能还帮助分析来自探测器和望远镜的数据，从而带来新发现。

应用程序描述
卫星遥测分析人工智能算法协助完成卫星遥测分析、遥感和太空研究中的飞行器自主性增强等任务。
数据分析人工智能使天文学家能够准确地对天体进行分类和分析，从而揭示宇宙的起源和演化。
系外行星的发现谷歌的卷积神经网络AstroNet K2达到了98%的准确率，发现了两颗新的系外行星：开普勒80g和开普勒90i。
航天器导航人工智能提高了太空任务的安全性，例如 SpaceX 的猎鹰 9 号火箭使用人工智能自动驾驶仪确保安全着陆。
火箭优化人工智能神经网络简化了火箭油箱的填充过程，最大限度地减少了火箭技术中的燃料浪费。

随着我们不断拓展太空探索的边界，人工智能将成为揭开系外行星秘密的关键。它将帮助我们更好地了解宇宙。