För att ta reda på hur planeter bildas, astrofysiker kör komplicerade och tidskrävande datorberäkningar. Medlemmar av NCCR PlanetS vid universitetet i Bern har nu utvecklat en helt ny metod för att påskynda denna process dramatiskt. De använder djupinlärning baserad på artificiella neurala nätverk, en metod som är välkänd inom bildigenkänning.

Planeter växer i stjärnskivor, ansamlande fast material och gas. Huruvida de blir kroppar som Jorden eller Jupiter beror på olika faktorer som de fasta ämnenas egenskaper, trycket och temperaturen i skivan och det redan ackumulerade materialet. Med datormodeller försöker astrofysikerna simulera tillväxtprocessen och bestämma den inre planetariska strukturen. För givna randvillkor beräknar de massorna av en planets gashölje. "Detta kräver att man löser en uppsättning differentialekvationer, " förklarar Yann Alibert, vetenskapsman vid NCCR PlanetS vid universitetet i Bern:"Att lösa dessa ekvationer har varit en specialitet för astrofysikerna här i Bern under de senaste 15 åren, men det är en komplicerad och tidskrävande process."

För att påskynda beräkningarna antog Yann Alibert och PlanetS-associate Julia Venturini vid International Space Science Institute (ISSI) i Bern en metod som redan har fångat många andra områden, inklusive utveckling av smartphones:djupinlärning. Det är, till exempel, används för ansikts- och bildigenkänning. Men denna gren av artificiell intelligens och maskininlärning har också förbättrat automatisk språköversättning och är avgörande för självkörande bilar. "Det finns en stor hype även inom astronomi, " säger Alibert. "Maskininlärning har redan använts för att analysera observationer, men vad jag vet, vi är de första som använder djupinlärning för ett sådant syfte." Alibert och Venturini publicerar sina resultat i tidskriften Astronomi och astrofysik ( A&A ).

Databas över miljontals planeter

Först, forskarna var tvungna att skapa en databas. De beräknade miljontals möjliga inre strukturer hos planeter. "Det tog oss tre veckor att beräkna alla dessa testfall med hjälp av en kod utvecklad av Julia Venturini under hennes doktorsexamen i Bern, " säger Alibert. Nästa steg var att bestämma arkitekturen för ett artificiellt neuralt nätverk, en uppsättning algoritmer som skickar indata genom matematiska operationer och har förmågan att lära sig utan att vara explicit programmerad. "Sedan, vi tränade detta nätverk med vår gigantiska databas, " säger astrofysikern. "Nu, vårt nätverk kan förutsäga massan av en planet som bildas under vissa förhållanden med mycket god noggrannhet och oerhört snabbare än att lösa differentialekvationerna."

Den djupa inlärningsprocessen är mycket mer exakt än tidigare utvecklade metoder för att ersätta lösningen av differentialekvationer med några analytiska formler. Dessa analytiska formler skulle kunna förutsäga att en planet skulle växa upp till Jupiters massa, medan den i verkligheten inte kunde ha mer massa än Neptunus. "Vi visar att våra djupa neurala nätverk ger en mycket bra approximation på nivån procent, " sammanfattar Alibert. Forskarna tillhandahåller sina resultat på mjukvaruutvecklingsplattformen GitHub, så att kollegor som arbetar med planetbildning runt om i världen drar nytta av dem.