Google AI Menemukan Planet Luar Baru Di Tata Surya Yang Jauh


  • Google menggunakan Deep Neural Network untuk menganalisis data Kepler. 
  • Mereka menemukan dua exoplanet baru - Kepler-90i dan Kepler-80g. 
  • Model yang mereka kembangkan sekitar 96% akurat dalam membedakan planet dan non-planet. 

Selama berabad-abad, orang telah menatap bintang, memperhatikan beberapa pola dan mencatat pengamatan. Salah satu hal awal yang ditemukan di ruang angkasa adalah planet, yang oleh orang Yunani disebut 'pengembara' atau 'planētai' karena gerakan mereka yang tidak teratur. Berangsur-angsur kami mengetahui bahwa tata surya kami menampung beberapa planet yang berputar mengelilingi Matahari.


Dengan bantuan teknologi modern seperti kamera digital, penerbangan luar angkasa, teleskop optik dan komputer, kita dapat memperluas pengetahuan kita di luar tata surya kita dan mendeteksi / mengidentifikasi planet yang berjarak ribuan tahun cahaya dari Bumi. Mereka disebut exoplanet - bagian dari tata surya lain yang jauh di luar angkasa.
Namun, menemukan exoplanet adalah tugas yang sangat sulit. Tidak seperti bintang induknya, mereka kecil, dingin dan gelap. Saat ini, kami menggunakan teknik pembelajaran mesin untuk menemukan exoplanet secara akurat. Salah satu teknik tersebut digunakan oleh Google, dan mereka mendeteksi dua extoplanet, bernama Kepler 90i, yang mengorbit bintang kerdil kuning Kepler 90, dan Kepler-80g berputar di sekitar Kepler 80. Mari kita cari tahu bagaimana mereka melakukannya.

Data yang Digunakan

Metode utama untuk mencari planet ekstrasurya adalah menganalisis sejumlah besar data yang ditangkap oleh Teleskop Luar Angkasa Kepler NASA menggunakan analisis manual dan perangkat lunak otomatis. Dalam 4 tahun, teleskop mengamati sekitar 200.000 bintang, menangkap gambar setiap setengah jam.

Satu-satunya instrumen ilmiah Kepler, Photometer terus memantau kecerahan lebih dari 145.000 bintang sekuens utama dalam bidang tampilan tetap. Data-data ini dikirim ke Bumi, dan kemudian diperiksa secara mendalam untuk mengidentifikasi peredupan periodik planet ekstrasurya yang disebabkan oleh berputar di sekitar bintang inangnya.
Ini semua menghasilkan sekitar 14 miliar titik data, yang selanjutnya diterjemahkan menjadi sekitar 2 kuadriliun kemungkinan orbit planet. Bahkan komputer yang paling kuat sekalipun membutuhkan waktu yang sangat lama untuk memproses data dalam jumlah besar ini. Untuk membuat proses ini lebih cepat dan lebih efisien, Google menggunakan alat dan teknik Deep Learning.

Pendekatan Pembelajaran Mesin

Pembelajaran mesin adalah bentuk kecerdasan buatan yang mengajarkan komputer untuk mengenali pola tertentu. Ini secara khusus membantu dalam memahami volume data yang besar. Di sini, idenya adalah untuk memungkinkan mesin belajar dengan pelatihan dan contoh daripada memprogramnya dengan aturan tertentu.

Kredit gambar: NASA
Pembelajaran mendalam, yang merupakan jenis pembelajaran mesin, menggunakan lapisan komputasi untuk membuat fitur kompleks progresif yang berguna untuk masalah klasifikasi. Sebagai contoh, model klasifikasi gambar yang dalam pertama-tama dapat mengenali fitur tepi sederhana yang dapat digunakan lebih lanjut untuk mendeteksi sudut dan kurva, hingga lapisan fitur akhir dari model dapat membedakan antara objek yang kompleks.
Deep neural networks (tipe model deep learning) telah menjadi state-of-the-art dalam beberapa tugas, termasuk klasifikasi gambar. Sebagian besar kinerjanya lebih baik daripada model yang dikembangkan dengan fitur yang dirancang tangan. Jaringan saraf dilatih untuk meminimalkan fungsi biaya yang mengukur seberapa jauh prediksinya dari label sejati set pelatihan.
Tim Google AI menggunakan set data lebih dari 15.000 sinyal Kepler untuk membuat model TensorFlow untuk membedakan planet dari benda langit lainnya. Untuk melakukan ini, sistem harus mendeteksi dan mengenali pola vs pola planet sebenarnya yang disebabkan oleh benda lain seperti bintang biner dan bintang.
Mereka mengembangkan jaringan saraf yang dalam untuk secara otomatis memeriksa peristiwa pelintasan ambang Kepler (TCE - mendeteksi sinyal periodik, yang mungkin konsisten dengan planet transit). Model ini menggunakan kurva cahaya sebagai input dan dilatih pada satu set Kepler TCE yang diklasifikasikan manusia.
Pandangan input dimasukkan melalui kolom konvolusi terpisah - metode yang berhasil dalam klasifikasi gambar sebelumnya. Ini mampu membedakan badan ruang angkasa dengan akurasi yang layak - perbedaan halus antara exoplanet transit aktual dan positif palsu seperti artefak instrumen, gerhana biner dan variabilitas bintang.
Referensi: Harvard.edu

Hasil

Ketika model diuji pada sinyal, itu benar membedakan sinyal yang dihasilkan oleh planet-planet dan non-planet lainnya, dengan akurasi 96 persen. Selain itu, 98,8 persen dari waktu yang diperingkatnya memberi sinyal pada planet yang masuk akal lebih tinggi daripada sinyal positif palsu.
Untuk mempersempit pencarian, mereka mengamati 670 bintang yang sudah memiliki dua atau lebih exoplanet. Saat memproses, mereka menemukan dua exoplanet baru - Kepler-90i dan Kepler-80g. Planet Kepler 90i berputar di sekitar Kepler-90, sebuah bintang yang sebelumnya diketahui menampung 7 planet transit. Sedangkan, Kepler-80g adalah bagian dari 5 rantai planet di sekitar bintang Kepler-80, dengan periode orbital yang hampir cocok dengan prediksi oleh hubungan Laplace 3-tubuh.
Hampir 13 persen lebih besar dari Bumi, Kepler-80g (planet terluar dalam sistemnya) memiliki periode orbit 14,6 hari dan 89,35 + 0,47-0,98 derajat kemiringan.

Kredit gambar: blog Google
Kepler-90i adalah 34% lebih besar dari Bumi dengan periode mengorbit 14,45 hari. Jaraknya 2.545 tahun cahaya dari Bumi di rasi bintang Draco. Itu terletak antara Kepler-90c (8,7 hari) dan Kepler-90d (59,7 hari) dengan suhu permukaan yang sangat panas - 436 ° C.

Apa berikutnya?

Ketika sampai pada kemungkinan jaringan saraf yang dalam, langit adalah batasnya. Dari 200.000 bintang, model ini hanya digunakan untuk mencari 670 bintang. Mungkin ada ratusan ribu eksoplanet yang masih belum ditemukan dalam data Kepler. Teknik-teknik baru seperti pembelajaran mendalam akan membantu para astronom dan fisikawan mengungkap hal-hal yang di luar jangkauan manusia.
Model ini dapat dimodifikasi di masa mendatang untuk meningkatkan keakuratannya dan mengurangi tipe positif palsu yang diketahui. Sebagai contoh, kita bisa
  • Tingkatkan perangkat pelatihan dengan memasukkan data simulasi atau data tidak berlabel (model saat ini hanya menggunakan sekitar 15.000 contoh berlabel).
  • Memperbaiki penggemukan rutin untuk mengurangi jumlah sinyal karena variabilitas bintang yang diklasifikasikan sebagai planet yang mungkin.
  • Tambahkan beberapa bentuk informasi centroid ke dalam representasi input untuk meningkatkan kemampuan sistem untuk mengklasifikasikan transit yang terjadi pada bintang latar daripada bintang target.
  • Membagi tampilan lokal menjadi beberapa segmen untuk memungkinkan sistem menganalisis konsistensi transit antara berbagai segmen dataset.

0 Response to "Google AI Menemukan Planet Luar Baru Di Tata Surya Yang Jauh"

Post a Comment

Iklan Atas Artikel

Iklan Tengah Artikel 1

Iklan Tengah Artikel 2

Iklan Bawah Artikel