Google AI、深層学習を使用して遠い太陽系で 2 つの新しい太陽系外惑星を発見

• Google はディープ ニューラル ネットワークを使用して Kepler のデータを分析しました。 
• 彼らは、ケプラー 90i とケプラー 80g という 2 つの新しい系外惑星を発見しました。 
• 彼らが開発したモデルは、惑星と非惑星を区別する精度が約 96% です。 

何世紀にもわたって、人々は星を見上げ、いくつかのパターンに気づき、観察を記録してきました。宇宙で初期に発見されたものの 1 つは惑星で、ギリシャ人はその不規則な動きから「放浪者」または「プラネータイ」と呼んでいました。私たちは、太陽系には太陽の周りを回転するいくつかの惑星があることが徐々にわかってきました。

デジタルカメラ、宇宙飛行、望遠鏡の光学系、コンピューターなどの現代技術の助けを借りて、私たちは太陽系を越えて知識を広げ、地球から数千光年離れた惑星を検出/識別することができます。それらは系外惑星と呼ばれ、宇宙の彼方にある別の太陽系の一部です。

しかし、系外惑星を見つけることは非常に困難な作業です。主星とは異なり、それらは小さく、冷たく、暗いです。現在、私たちは機械学習技術を使用して系外惑星を正確に発見しています。そのような技術の 1 つが Google によって使用されており、黄色の矮星ケプラー 90 の周りを公転するケプラー 90i と名付けられた 2 つの系外惑星と、ケプラー 80 の周りを公転するケプラー 80g を検出しました。彼らがどのようにそれを行ったのか見てみましょう。

使用されるデータ

系外惑星を探索する主な方法は、NASA のケプラー宇宙望遠鏡で捕捉された膨大な量のデータを、手動分析と自動ソフトウェアの両方を使用して分析することです。 4 年間で、この望遠鏡は約 200,000 個の星を観察し、30 分ごとに画像を取得しました。ケプラーの唯一の科学機器である光度計は、固定視野内で 145,000 個を超える主系列星の明るさを継続的に監視します。これらのデータは地球に送信され、主星の周りを公転することによって引き起こされる系外惑星の周期的な減光を特定するために詳しく調査されます。

これにより、約 140 億のデータ ポイントが生成され、さらに約 2 京の可能な惑星軌道に変換されます。最も強力なコンピューターであっても、これらの大量のデータを処理するには非常に長い時間がかかります。このプロセスをより迅速かつ効率的に行うために、Google はディープ ラーニングのツールと技術を使用しました。

機械学習のアプローチ

機械学習は、コンピューターに特定のパターンを認識するよう教える人工知能の一種です。これは、大量のデータを理解するのに特に役立ちます。ここでのアイデアは、機械を特定のルールでプログラミングするのではなく、トレーニングとサンプルによって学習できるようにすることです。

画像クレジット:NASA

機械学習の一種であるディープ ラーニングは、計算レイヤーを使用して、分類問題に役立つ漸進的で複雑な特徴を作成します。たとえば、ディープ ピクチャ分類モデルは、最初に単純なエッジ フィーチャを認識し、モデルの最後のフィーチャ レイヤーが複雑なオブジェクトを区別できるようになるまで、コーナーやカーブの検出にさらに使用できます。

ディープ ニューラル ネットワーク (深層学習モデルの一種) は、画像分類を含むいくつかのタスクにおいて最先端のものとなっています。ほとんどの場合、手作業で設計された機能を使用して開発されたモデルよりも優れたパフォーマンスを発揮します。ニューラル ネットワークは、その予測がトレーニング セットの真のラベルからどれだけ離れているかを測定するコスト関数を最小化するようにトレーニングされます。

Google AI チームは、15,000 を超えるケプラー信号のデータセットを使用して、惑星を他の天体から区別するための TensorFlow モデルを作成しました。これを行うには、システムは実際の惑星のパターンと、連星や黒点などの他の天体によって引き起こされるパターンを検出して認識する必要がありました。

彼らは、ケプラーしきい値超過イベント (TCE – トランジット惑星と一致する可能性のある検出された周期信号) を自動的に検査するためのディープ ニューラル ネットワークを開発しました。このモデルは光曲線を入力として使用し、人間が分類した Kepler TCE のセットでトレーニングされます。

入力のビューは、以前の画像分類で成功した方法である個別の畳み込み列を介して供給されます。これは、宇宙天体をかなりの精度で区別することができます。つまり、実際に通過する系外惑星と、機器のアーティファクト、食連星、恒星の変動などの誤検知との間の微妙な違いを識別することができます。

参照:Harvard.edu

結果

このモデルを信号でテストしたところ、惑星とその他の非惑星によって生成された信号を 96% の精度で正しく識別できました。さらに、98.8% の確率で、もっともらしい惑星信号が偽陽性信号よりも上位にランク付けされました。

読む:NASA、宇宙通信ネットワークに人工知能を使用

探索を絞り込むために、彼らはすでに 2 つ以上の系外惑星を持つ 670 個の星を観察した。処理中に、彼らは 2 つの新しい系外惑星、ケプラー 90i とケプラー 80g を発見しました。惑星ケプラー 90i は、以前は 7 つの通過惑星があることが知られていた恒星であるケプラー 90 の周りを公転しています。一方、ケプラー 80g はケプラー 80 星の周りの 5 つの惑星連鎖の一部であり、その公転周期は 3 体ラプラス関係による予測とほぼ一致しています。

地球より約 13% 大きいケプラー 80g (その系の最も外側の惑星) の公転周期は 14.6 日、傾斜角は 89.35 +0.47- 0.98 度です。

画像クレジット:Google ブログ

ケプラー-90i 地球より 34% 大きく、公転周期は 14.45 日です。地球から 2,545 光年離れたりゅう座にあります。それは Kepler-90c (8.7 日) と Kepler-90d (59.7 日) の間に位置し、表面温度は非常に高温です – 436 °C。

次は何ですか?

ディープ ニューラル ネットワークの可能性に関しては、限界はありません。 200,000 個の星のうち、このモデルはそのうちの 670 個だけを検索するために使用されます。ケプラーのデータには、まだ発見されていない数十万の系外惑星が存在する可能性があります。ディープラーニングのような新しい技術は、天文学者や物理学者が人間の手の届かないものを発見するのに役立ちます。

読む:Google の人工知能は人間のコードを超える AI を作成

このモデルは将来、精度を向上させ、既知のタイプの誤検知を減らすために修正される可能性があります。たとえば、

• シミュレートされたデータまたはラベルのないデータを組み込んだトレーニング セットを増やします（現在のモデルでは、ラベル付きのサンプルが約 15,000 個のみ使用されています）
• 肥育ルーチンを改善して、可能性の高い惑星として分類される星の変動による信号の数を減らす
• 何らかの形式の重心情報を入力表現に追加して、ターゲットの星ではなく背景の星で発生する通過を分類するシステムの機能を向上させます。
• ローカル ビューをいくつかのセグメントに分割し、システムがデータセットの異なるセグメント間のトランジットの一貫性を分析できるようにします。