نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

14 آبان 1403 8:32 ب.ظ

50 سیاره جدید با استفاده از یادگیری ماشینی شناسایی شدند

exoplanets

25 آگوست 2020توسط دانشگاه وارویک

پنجاه سیاره بالقوه توسط یک الگوریتم یادگیری ماشینی جدید ساخته شده توسط دانشمندان دانشگاه وارویک تأیید شده است.

برای اولین بار ، ستاره شناسان از یک فرآیند مبتنی بر یادگیری ماشین ، شکلی از هوش مصنوعی استفاده کرده اند تا نمونه ای از سیارات بالقوه را مورد تجزیه و تحلیل قرار دهند و تعیین کنند که کدام یک واقعی هستند و کدام یک تایید مثبت ولی کاذب است و احتمال هر یک را محاسبه می کند.

نتایج آنها  برای کاندید بودن یک سیاره واقعی در یک مطالعه جدید منتشر شده در اطلاعیه های ماهانه انجمن سلطنتی  نجوم گزارش شده است ، جایی که آنها همچنین اولین مقایسه مقیاس بزرگ چنین تکنیک های اعتبار سنجی سیاره ای را انجام می دهند. نتیجه گیری آنها با استفاده از تکنیک های اعتبار سنجی چندگانه ، از جمله الگوریتم یادگیری ماشین آنها ، هنگام تأیید آماری اکتشافات سیارات در خارج از کشور ، مواردی را ایجاد می کند.

در بسیاری از بررسی های سیارات از طریق تلسکوپ ها به وسیله مقادیر عظیمی از داده های مربوط به سیارات  به هنگام عبور از دید تلسکوپ و ستاره ی ،  آنها را جستجو می کنند. این امر باعث می شود كه ستاره ای كه تلسكوپ آن را تشخیص می دهد ، در معرض تابش سیستمهای دیگر قرار بگیرد ، که می تواند ناشی از سیستم ستاره دودویی ، تداخل یک شیء در پس زمینه یا حتی خطاهای جزئی در دوربین باشد. این علایم مثبت و کاذب را می توان در یک فرآیند اعتبارسنجی سیاره ای ریخته و بررسی نمود.

محققان گروههای فیزیک و علوم کامپیوتر وارویک و همچنین انستیتوی آلن تورینگ ، الگوریتمی مبتنی بر یادگیری ماشینی را ساختند که می تواند در نمونه های بزرگ هزاران موردی سیارات واقعی را از جعلی ها  که توسط مأموریت های تلسکوپ هایی مانند نپا کپلر و … کشف شده اند جدا کنند .

این مورد یک برنامه آموزشی برای شناسایی سیارات واقعی با استفاده از دو نمونه بزرگ سیارات تأیید شده و کاذب از مأموریت های کپلر بازنشسته بود. محققان سپس از این الگوریتم در مجموعه ای از کاندیداهای سیاره ای هنوز تأیید نشده از کپلر استفاده کردند و در نتیجه 50 سیاره جدید تأیید شده و نخستین موردی که با یادگیری ماشین تأیید می شود را ، تأیید کردند. روشهای قبلی یادگیری ماشین ، کاندیداها را رتبه بندی کرده است ، اما هرگز این احتمال را که یک نامزد به خودی خود یک سیاره واقعی باشد ، – که گامی لازم برای اعتبار سنجی سیاره است را تعیین نکرده است .

این 50 سیاره از نظر اندازه به بزرگی نپتون تا  قدری کوچکتر از زمین و با مدارهای مختلف 200 روز تا کمتر از یک روز متغیر هستند . با تأیید اینکه این 50 سیاره واقعی هستند ، اخترشناسان اکنون می توانند برای مشاهده های بیشتر با تلسکوپ های اختصاصی این موارد را در اولویت قرار دهند.

دکتر دیوید آرمسترانگ ، از دانشکده فیزیک دانشگاه وارویک ، گفت: “الگوریتمی که ما ایجاد کرده ایم به ما امکان می دهد 50 نامزد را در آستانه اعتبار سنجی سیاره ای بکشیم و آنها را به سیارات واقعی ارتقاء دهیم. امیدواریم که این تکنیک را در نمونه های بزرگ استفاده کنیم. ماموریت های فعلی و آینده مانند TESS و PLATO از نظر اعتبارسنجی سیاره ای ، دو موردی هستند که پیش از این هیچ کس از تکنیک یادگیری ماشین در مورد آنها استفاده نکرده است .آموزش ماشین برای رتبه بندی نامزدهای سیاره ای استفاده شده اما هرگز در یک چارچوب احتمالی استفاده نشده است ، این همان چیزی است که ما نیاز داریم. به جای اینکه بگوییم کدام نامزدها احتمالاً سیارات هستند ، اکنون می توانیم بگوییم که احتمال آماری دقیق چیست.

دکتر تئو دامولاس از دانشکده علوم کامپیوتر دانشگاه وارویک و معاون مدیر مهندسی مرکز داده تورینگ در موسسه آلن تورینگ گفت: “رویکردهای احتمالی برای یادگیری ماشینی آماری به ویژه برای یک مسئله مهیج مانند این در اخترفیزیک مناسب است که نیاز به ادغام دانش قبلی دارد – از طرف متخصصانی مانند دکتر آرمسترانگ – تکمیل می شود. “

دکتر آرمسترانگ اضافه می کند: “تقریبا 30٪ از سیارات شناخته شده تا به امروز تنها با یک روش اعتبار سنجی شده اند ، و این ایده آل نیست. توسعه روش های جدید برای اعتبار سنجی به همین دلیل مطلوب است. اما یادگیری ماشینی نیز به ما امکان می دهد خیلی سریع آن را انجام دهیم. چنانچه زمان آموزش الگوریتم را بگذرانیم پس از اتمام کار ، استفاده از آن برای نامزدهای آینده بسیار ساده تر می شود.

https://phys.org

آیا این نوشته برایتان مفید بود؟

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *