Ett parti schack har 20 möjliga öppningsdrag. Föreställ dig att bli ombedd att starta ett spel med tiotals miljoner öppningar istället. Det var uppgiften som tilldelades Adam Friedman, en sommarpraktikant 2020 vid NASA:s Goddard Space Flight Center i Greenbelt, Maryland. En schackmästare i gymnasiet, Friedman analyserade sin motståndare - en störtflod av data om ljusstyrkan för över 70 miljoner stjärnor.

Med hjälp av traditionella beräkningsmetoder, uppgiften att sålla igenom och klassificera dessa mått kunde ha tagit månader. Med hjälp av maskininlärning, en form av artificiell intelligens, detta kan åstadkommas på några sekunder. Arbetar med Brian Powell, en dataforskare vid High Energy Astrophysics Science Archive Research Center i Goddard, Friedman tränade ett datorsystem för att identifiera en viktig klass av variabla stjärnor utan att explicit programmera det.

Med maskininlärning kan datorer bearbeta och sortera enorma mängder data automatiskt – precis vad som behövdes för att sålla genom strömmen av stjärndata. Att göra detta, Powell skapade ett neuralt nätverk – en serie matematiska regler som försöker känna igen underliggande relationer i data genom en process som härmar, på ett mycket förenklat sätt, hur den mänskliga hjärnan fungerar. För att ett neuralt nätverk ska fungera, fastän, det måste tränas.

"Praktiken handlade om att samla in utbildningsdata, " sade Friedman, "eftersom maskininlärning fungerar genom att man samlar ett otroligt stort antal exempel för att träna modellen."

NASA:s Transiting Exoplanet Survey Satellite (TESS) lanserades i april 2018 för att hitta nya världar bortom vårt solsystem, eller exoplaneter, genom att övervaka ljusstyrkaförändringar i närliggande stjärnor. Sedan lanseringen, TESS har observerat nästan hela himlen. Som utkommer varannan vecka, satelliten strålar tillbaka flera tusen stora bilder som kallas fullbildsbilder av en förplanerad del av himlen.

Astronomer använder data för att konstruera ljuskurvor, grafer som visar hur en stjärnas ljusstyrka förändras över tiden. Från rå TESS-data, Powell använde 129, 000-kärniga Upptäck superdator på NASA:s Center for Climate Simulation (NCCS) i Goddard för att bygga miljontals ljuskurvor.

"Tack vare stöd från NCCS, vi kunde börja bygga ljuskurvor i enorma mängder. Vi har cirka 70 miljoner nu, med mer på gång. Datavetenskap och maskininlärning kan hjälpa till att driva dessa upptäckter, gör att stora mängder data kan sorteras och bearbetas snabbare och mer exakt än någonsin tidigare, " sa Powell.

Ut ur denna enorma hög, Friedman ville identifiera förmörkande binärer, parade stjärnor som växelvis passerar framför, eller transit, varandra varje bana sett från jorden. Under varje förmörkelse, systemet dämpas när en stjärna passerar framför den andra, vilket ger en dipp i sin ljuskurva. "Den riktigt användbara funktionen med att förmörka binärer, och anledningen till att de är ryggraden i astrofysiken, är att de ger oss direkta mätningar av deras grundläggande egenskaper, såsom deras massa och storlek, sa Veselin Kostov, en forskare vid Goddard och SETI Institute i Mountain View, Kalifornien. "Och genom dessa egenskaper, vi kan direkt mäta avstånd till dessa system. De ger oss en av mycket få möjligheter att mäta direkta avstånd i universum."

NCCS tillhandahöll också deras Advanced Data Analytics Platform Graphics Processing Unit Cluster för att driva det neurala nätverk som Powell kodade och Friedman tränade.

Friedman kunde mata in en ljuskurva och instruera det neurala nätverket att tilldela det till en viss kategori. Efter att ha upprepat denna åtgärd tusentals gånger, det neurala nätverket började känna igen grupper av ljuskurvor och föreslå klassificeringar baserade på sannolikheten att en given kurva passar in i en given grupp. Friedman hittade exempel på ljuskurvor för ett brett spektrum av stjärnsystem och matade in dem tills nätverket lärde sig hur var och en såg ut och kunde identifiera nya ljuskurvor autonomt. Detta gjorde det möjligt för en uppgift som skulle ha tagit månader på en modern stationär dator att slutföras på några sekunder.

Maskininlärning förbättrar avsevärt effektiviteten av att hitta dessa stjärnsystem i tiotals miljoner TESS-bilder genom att lära sig att identifiera egenskaperna hos en förmörkelse och märka ljuskurvan därefter. Men Friedman märkte snart en egenhet i några av ljuskurvorna som nätverket hade hävdat översköljde binära kandidater. De hade extra dopp.

Ibland, stjärnsystem kan ha mer än två komponenter. Om dessa stjärnor förmörkar varandra, då kommer ljuskurvan att ha ytterligare nedbländningar som, vid första ögonkastet, visas med oregelbundna intervall. Friedman upptäckte att de var kandidater för flerstjärniga system och började sedan en uttömmande sökning efter liknande system bland de förmörkande binärer som identifierats av det neurala nätverket. Totalt, Friedman hittade åtta nya kandidatsystem med fyrdubbla stjärnor. Dessa fall är intressanta eftersom de ger insikt i hur flerstjärniga system bildas och utvecklas.

Friedman hade precis avslutat sitt första år som huvudämne i datavetenskap vid University of Michigan, och, i början av sommaren, hade ingen bakgrund inom astronomi, högpresterande datoranvändning, datavetenskap, eller maskininlärning. Förvärrar komplexiteten i den aktuella uppgiften, Friedman genomförde sin praktik hemifrån på grund av COVID-19, men trots dessa utmaningar, Powell sa att han kom ikapp snabbt.

"Han är inget mindre än briljant, ", sa Powell. "Adam har en otrolig förmåga att se avvikelser från periodicitet i ljuskurvor." Med ett så kosmiskt djupgående resultat från sin praktik, det är lätt att glömma Friedmans framsteg. "Det är inte som att han var en astronom och maskininlärningsexpert i början av sommaren, ", tillade han. "Hans förmåga att bemästra extremt komplexa koncept och färdigheter på så kort tid är häpnadsväckande."

Friedman var tacksam för sin tid med Powell under sommaren. Han sa:"Jag måste ge stor beröm till Brian. Han var en otrolig mentor; han var definitivt den bästa handledaren jag någonsin träffat. Han träffade mig varje dag, bara för att lära mig hur man gör projektet. Han var verkligen en bra lärare."