Postado por Chris Shallue, engenheiro de software sênior da equipe do Google Brain (postado também no blog Google Open Source ) dois exoplanetas por meio do treinamento de uma rede neural para analisar dados do telescópio espacial Kepler da NASA e identificar com precisão os sinais dos planetas mais promissores. Apesar de ser apenas uma análise inicial de cerca de 700 estrelas, consideramos essa descoberta uma prova de conceito bem-sucedida do uso do aprendizado de máquina para descobrir exoplanetas e, de forma mais geral, outro exemplo do uso do aprendizado de máquina para gerar ganhos importantes em diversas disciplinas científicas (por exemplo, saúde , química quântica e pesquisas sobre fusão ).lançamento do nosso código para processar dados do Kepler, treinar nosso modelo de rede neural e fazer previsões sobre novos possíveis sinais. Esperamos que essa versão se mostre um ótimo ponto de partida para desenvolver modelos parecidos para outras missões da NASA, como a K2 (segunda missão do Kepler), e a próxima missão, o Satélite de pesquisa de exoplanetas em movimento . E, aproveitando o anúncio do lançamento do código, descreveremos em mais detalhes como o nosso modelo funciona.Um guia para a busca por planetas fotômetro do Kepler ) ao longo do tempo. Quando um planeta passa na frente de uma estrela, bloqueia temporariamente parte da luz, o que faz o brilho medido cair e subir novamente logo depois, gerando um "vale" em forma de U na curva de luz.
Curva de luz do telescópio espacial Kepler com vale em forma de U que indica um exoplaneta em movimento.
Porém, outros fenômenos astronômicos e instrumentais também podem reduzir o brilho medido de uma estrela, como sistemas de estrela binária , manchas solares , raios cósmicos atingindo o fotômetro do Kepler e ruído do instrumento.
A primeira curva de luz tem um padrão em forma de V que nos mostra que um objeto muito grande (como outra estrela) passou em frente à estrela observada pelo Kepler. A segunda curva de luz apresenta dois pontos em que o brilho cai, o que indica um sistema binário com uma estrela brilhante e outra menos brilhante: a maior queda é gerada quando a estrela mais escura passa em frente à estrela mais brilhante, e vice-versa. A terceira curva de luz é um exemplo dos diversos falsos sinais de planeta quando a luz medida de uma estrela parece cair.
Para buscar planetas usando os dados do Kepler, os cientistas usam software automatizado (como o canal de processamento de dados do Kepler ) para detectar sinais que podem ter sido gerados por planetas e passam a acompanhar manualmente esses sinais para determinar se são realmente gerados por planetas ou falsos positivos. Para não serem bombardeados com um número muito grande de sinais, os cientistas aplicam um ponto de corte nas detecções automatizadas: os sinais com relação sinal-ruído acima de um limite predeterminado são selecionados para análise posterior e todos os demais são descartados. Mesmo com esse corte, o número de detecções ainda é muito grande: até hoje, mais de 30.000 sinais detectados pelo Kepler foram analisados manualmente, e cerca de 2.500 deles foram validados como planetas!Uma abordagem com aprendizado de máquina equipe do Google Brain aplica aprendizado de máquina a uma ampla variedade de dados, de genomas humanos a modelos ou lógica matemática formal . Considerando a imensa quantidade de dados coletados pelo telescópio Kepler, imaginamos o que poderíamos encontrar usando o aprendizado de máquina para analisar dados do Kepler ainda não explorados. Para descobrir, chamamos Andrew Vanderburg , da UT Austin, para a equipe e desenvolvemos uma rede neural para ajudar a procurar as detecções de planetas com baixa relação sinal-ruído.nesse artigo ) que obstrui sistematicamente regiões pequenas das curvas de luz de entrada para ver se o resultado do modelo muda. A previsão gerada muda quando regiões especialmente importantes para a decisão do modelo são obstruídas. Para regiões pouco importantes, a obstrução não apresenta efeitos relevantes. Abaixo temos uma curva de luz de uma estrela binária que o nosso modelo prevê corretamente como não sendo um planeta. Os pontos verdes são os que mais mudam a previsão gerada pelo modelo quando obstruídos e correspondem exatamente a uma queda secundária, característica de um sistema binário. Quando esses pontos são obstruídos, a previsão do modelo para a probabilidade de se tratar de um planeta muda de 0% para 40%. Então, esses pontos são parte do motivo da rejeição da curva de luz pelo modelo. Entretanto, ele também usa outras evidências, como aproximar a visualização centrada na queda principal para mostrar que ela tem forma de V, o que também indica um sistema binário.Busca por novos planetas Kepler-90 i e Kepler-80 g .Encontre os seus próprios planetas! Kepler-90 i . O primeiro passo é treinar um modelo seguindo as instruções da página inicial do código. Leva um tempo para fazer o download dos dados do telescópio Kepler e processá-los. Mas, após o download, é relativamente rápido treinar um modelo e fazer previsões sobre novos sinais. Uma forma de encontrar novos sinais para mostrar ao modelo é usando um algoritmo chamado Box Least Squares (BLS), que busca quedas periódicas de brilho em "formato de caixa" (veja abaixo). O algoritmo BLS detectará sinais de planetas em forma de U, sinais de estrela binária em forma de V e muitos outros tipos de sinais falsos positivos para mostrar ao modelo. Existem diversas implementações de software gratuitas disponíveis do algoritmo BLS, incluindo o VARTOOLS e o LcTools . Como alternativa, você pode até procurar movimentos de possíveis planetas usando os seus próprios olhos, como os Planet Hunters .
Uma detecção de baixa relação sinal-ruído na curva de luz da estrela Kepler 90 registrada pelo algoritmo BLS. A detecção tem um período de 14,44912 dias, duração de 2,70408 horas (0,11267 dias), começando 2,2 dias após as 12h00 de 01/01/2009 (o ano de lançamento do telescópio Kepler).
Para passar esse sinal detectado pelo nosso modelo treinado, é só executar o comando abaixo:python predict.py --kepler_id=11442793 --period=14.44912 --t0=2.2
--duration=0.11267 --kepler_data_dir=$HOME/astronet/kepler
--output_image_file=$HOME/astronet/kepler-90i.png
--model_dir=$HOME/astronet/model
A saída do comando é prediction = 0.94 , o que significa que o modelo tem 94% de certeza de que esse sinal é mesmo de um planeta. Obviamente, esse é só um pequeno passo no processo de descobrir e validar um exoplaneta: a previsão do modelo não é prova concreta de o planeta ser real ou não. O processo de validar esse sinal como um exoplaneta exige um trabalho de acompanhamento muito importante por um astrônomo especialista (consulte as seções 6.3 e 6.4 do nosso artigo para ver todos os detalhes). Neste caso em particular, nossa análise por acompanhamento validou o sinal como um exoplaneta genuíno, e ele agora se chama Kepler-90 i!nosso artigo , o modelo ainda não é tão eficiente na rejeição de estrelas binárias e falsos positivos do instrumento como algumas heurísticas computacionais mais maduras. Estamos trabalhando muito para melhorar o nosso modelo. Agora que abrimos o seu código, esperamos que outras pessoas façam o mesmo!Se quiser saber mais, o Chris foi convidado do mais recente episódio do This Week in Machine Learning & AI para falar sobre o seu trabalho.
3 comentários :
Buruan Daftar dan Ajak Teman - Teman Bermain di Situs Judi taruhan bola online yang dilengkapi sistem teknologi terbaru dengan server berkecepatan tinggi yang akan memberikan permainan Judi bola online dan sbobet, jangan lupa lagi Akan semakin seru jika Mainbolajalan bisa dimainkan oleh anda semua,permainan yang FAIR PLAY yang akan diberikan dan akan anda rasakan di Mainbolajalan dengan BONUS ROLLINGAN SPORTBOOK 0.10% , BONUS ROLLINGAN CASINO 0.5% serta BONUS REFERRAL 1% dari WL Teman anda, Aman dan Terpercaya hanya ada di Bandar agen sbobet terpercaya di asia seperti Mainbolajalan.
jasapoker yang dilengkapi sistem teknologi terbaru dengan server berkecepatan tinggi yang akan memberikan permainan Judi bola online jasa qq dan sbobet. Caranya sangat mudah, hanya dengan mendaftarkan diri anda di link alternatif juarapoker 2019
sekarang juga dan mulailah mereferensikan link referral anda kepada semua teman dan kenalan anda untuk ikut bermain bersama agen judi online remipoker yang terpercaya ini. Daftarkan diri anda sekarang juga di dominobet 2019 dan ajak teman anda untuk bermain bersama di satu meja!
jangan lupa lagi Akan semakin seru jika Mainbolajalan bisa dimainkan oleh anda semua,permainan yang FAIR PLAY yang akan diberikan dan akan anda rasakan di Mainbolajalan dengan BONUS ROLLINGAN SPORTBOOK 0.10% , BONUS ROLLINGAN CASINO 0.5% serta BONUS REFERRAL 1% dari WL Teman anda, Aman dan Terpercaya hanya ada di Bandar agen sbobet terpercaya di asia seperti pokerace99
On https://celltrackingapps.com/parental-control-android/ you can get useful info about Android Parental Control Apps. I had such experience so I know what I am talking about
Postar um comentário