Komputery opowiadają astronomom o gwiazdach

Uczenie maszynowe to metoda, która pomaga astronomom zrozumieć własności bardzo dużych zbiorów gwiazd Naszej Galaktyki. Źródło: NASA/JPL-Caltech

Astronomowie wykorzystają komputery, które pomogą im w dużo krótszym czasie przeanalizować zbiory złożone z olbrzymich ilości gwiazd Naszej Galaktyki pod katem ich rozmiarów, składu chemicznego i innych podstawowych właściwości.

Te badania to zaledwie część rozwijającej się obecnie nauki znanej jako uczenie maszynowe. To również olbrzymia gałąź informatyki, polegająca - w skrócie - na tym, że komputery i ich algorytmy "uczą się" na dużych zbiorach danych,znajdując te powtarzające się wzorce, których człowiek nie byłby w stanie rozpoznać po prostu patrząc na dane. Uczenie maszynowe może być przydatne praktycznie wszędzie -  w serwisach rozrywkowych, gdzie np. pomagają poprawnie przewidzieć, jakie filmy dany użytkownik będzie chciał oglądać, lub np. przy usługach pocztowych, gdzie specjalne algorytmy uczą się rozpoznawać kody pocztowe pisane odręcznie na przesyłkach.

Teraz te metody mogą być tez z powodzeniem stosowane w astronomii. Na przykład w znajdywaniu i klasyfikowaniu elementarnych właściwości gwiazd w oparciu o zdjęcia z wielkoskalowych przeglądów nieba na falach widzialnych. Zwykle takie badania wymagają znajomości - dostępu do danych na temat wieloczęstotliwościowego spektrum światła dla danej gwiazdy, co może wiązać się z przeglądaniem wielu różnych danych z katalogów. Jednak odpowiednie oprogramowanie szybciej i bez większych trudności przekopuje się przez te ogromne zbiory danych, znajdując odpowiednie wzorce i powiązania. Metoda ta może zbierać informacje na temat dosłownie miliardów gwiazd w dość krótkim czasie - i niskim nakładem kosztów.

Uczenie maszynowe już wcześniej zresztą wykorzystywano w badaniach Kosmosu. Obecna innowacja polega jednak na tym, że po raz pierwszy w historii badania tego typu pomogą naukowcom przewidzieć konkretne cechy gwiazd, które zmieniają się wraz ich wiekiem i są z nim silnie związane. To właśnie z nimi wiąże się ewolucja gwiazd, którą chcemy lepiej zrozumieć. Dzięki badaniom rozkładu różnych gwiazd w obrębie Galaktyki będziemy też mogli lepiej poznać budowę i... historię Drogi Mlecznej.

Każdej nocy dziesiątki teleskopów optycznych z całego świata rejestrują tysiące zdjęć nieba. Ta ilość danych będzie nadal rosła - m.in. dzięki nowym projektom takim jak Large Synoptic Survey Telescope (LSST), który będzie obserwował Wszechświat w bardzo dogodnych warunkach - w górach Chile. Fotografie całego nieba będą w jego ramach wykonywane co kilka dni. Pozwoli to zebrać bardzo precyzyjne informacje m.in. o zmienności blasku gwiazd. Podobną misję przeprowadzał już wcześniej Teleskop Keplera.

Dość oczywiste jest, że nawet duża liczba specjalistów nie będzie w stanie na bieżąco szczegółowo analizować tak ogromnej ilości danych astronomicznych. Trzeba będzie więc wspomóc się stosownymi algorytmami. Jednak zanim komputery będą do tego zdolne, trzeba je nauczyć, czego właściwie powinny szukać i na co mają w pierwszej kolejności zwracać uwagę. Naukowcy zaczęli już taką naukę w oparciu o specjalnie przygotowany zestaw treningowy, złożony z 9 tysięcy gwiazd. Uczenie maszyny polega w tym przypadku na wskazywaniu jej, kiedy otrzymany wynik jest zgodny z oczekiwaniami człowieka, a kiedy wydaje się błędny. Dzięki temu tworzy się pewna pętla sprzężenia zwrotnego, a komputer uczy się na własnych błędach. Po zakończeniu tej szkoleniowej fazy badań naukowcy zamierzają pozwolić, by komputer już sam dokonywał podobnych decyzji w oparciu o zdobyte "doświadczenie".

Podobna technika wykorzystywana jest w tworzeniu filtrów antyspamowych. Są one tak programowane, że mogą wychwytywać pewne szczególne słowa kluczowe, które zwykle pojawiają się w spamie wysyłanym drogą elektroniczną. Jednak to również użytkownicy takich filtrów stopniowo uczą je, jakie inne słowa mogą być typowe dla spamu - poprzez wskazywanie i usuwanie innych niechcianych maili.

Celem zespołu kierowanego przez astronoma A. Millera jest stworzenie oprogramowania mogącego obsłużyć w ten sposób aż 50 milionów gwiazd zmiennych, które będą obserwowane w projekcie LSST.

Cały artykuł: A. Miller et al., A Machine-learning Method to Infer Fundamental Stellar Parameters from Photometric Light Curves

Liczba odsłon: 1387