Som ett led i ett försök att identifiera avlägsna planeter som är gästvänliga för livet, NASA har inrättat ett crowdsourcing -projekt där volontärer söker teleskopiska bilder efter tecken på skräpskivor runt stjärnor, som är bra indikatorer på exoplaneter.

Med hjälp av resultaten från det projektet, forskare vid MIT har nu utbildat ett maskininlärningssystem för att själv söka efter skräpskivor. Sökningens omfattning kräver automatisering:Det finns nästan 750 miljoner möjliga ljuskällor i data som ackumuleras genom NASA:s Wide-Field Infrared Survey Explorer (WISE) -uppdrag ensam.

I tester, maskininlärningssystemet överensstämde med mänsklig identifiering av skräpskivor 97 procent av tiden. Forskarna utbildade också sitt system för att betygsätta skräpskivor enligt deras sannolikhet att innehålla detekterbara exoplaneter. I ett papper som beskriver det nya arbetet i tidningen Astronomi och datorer , MIT -forskarna rapporterar att deras system identifierade 367 tidigare obesökta himmelska objekt som särskilt lovande kandidater för vidare studier.

Arbetet representerar ett ovanligt förhållningssätt till maskininlärning, som har förespråkats av en av tidningens medförfattare, Victor Pankratius, en huvudforskare vid MIT:s Haystack Observatory. Vanligtvis, ett maskininlärningssystem kommer att kamma igenom en mängd utbildningsdata, letar efter konsekventa samband mellan dataens egenskaper och någon etikett som tillämpas av en mänsklig analytiker - i det här fallet, stjärnor som omringas av skräpskivor.

Men Pankratius hävdar att inom vetenskaperna maskininlärningssystem skulle vara mer användbara om de uttryckligen införlivade lite vetenskaplig förståelse, för att vägleda deras sökningar efter korrelationer eller identifiera avvikelser från normen som kan vara av vetenskapligt intresse.

"Huvudvisionen är att gå utöver vad AI fokuserar på idag, "Säger Pankratius." Idag, vi samlar in data, och vi försöker hitta funktioner i data. Du hamnar med miljarder och miljarder funktioner. Så vad gör du med dem? Det du vill veta som forskare är inte att datorn säger till dig att vissa pixlar är vissa funktioner. Du vill veta 'Åh, detta är en fysiskt relevant sak, och här är sakens fysikparametrar. '"

Klassrumsuppfattning

Den nya uppsatsen växte fram från ett MIT-seminarium som Pankratius undervisade tillsammans med Sara Seager, klassen 1941, professor i jorden, Atmosfärisk, och planetvetenskap, som är känd för sin exoplanetforskning. Seminariet, Astroinformatik för exoplaneter, introducerade studenterna för datavetenskapstekniker som kan vara användbara för att tolka dataflödet som genereras av nya astronomiska instrument. Efter att ha bemästrat teknikerna, eleverna ombads att tillämpa dem på enastående astronomiska frågor.

För hennes sista projekt, Tam Nguyen, en doktorand i luftfart och astronautik, valde problemet med att utbilda ett maskininlärningssystem för att identifiera skräpskivor, och det nya papperet är en utväxt av det arbetet. Nguyen är första författare på tidningen, och hon får sällskap av Seager, Pankratius, och Laura Eckman, en grundutbildning inom elektroteknik och datavetenskap.

Från NASAs crowdsourcingprojekt, forskarna hade de himmelska koordinaterna för de ljuskällor som mänskliga volontärer hade identifierat med skräpskivor. Skivorna känns igen som ljusets ellipser med lite ljusare ellipser i mitten. Forskarna använde också råa astronomiska data som genererades av WISE -uppdraget.

För att förbereda data för maskininlärningssystemet, Nguyen ristade upp det i små bitar, använde sedan standard signalbehandlingstekniker för att filtrera bort artefakter orsakade av bildinstrumenten eller av omgivande ljus. Nästa, hon identifierade de bitarna med ljuskällor i deras centrum, och använde befintliga bildsegmenteringsalgoritmer för att ta bort ytterligare ljuskällor. Denna typ av procedurer är typiska för alla datorinlärningsprojekt för dator-vision.

Kodade intuitioner

Men Nguyen använde grundläggande fysikprinciper för att beskära data ytterligare. För en sak, hon tittade på variationen i ljusets intensitet i ljuskällorna över fyra olika frekvensband. Hon använde också standardmått för att utvärdera positionen, symmetri, och skala för ljuskällorna, fastställa trösklar för att inkluderas i hennes datamängd.

Förutom de märkta skräpskivorna från NASA:s crowdsourcing -projekt, forskarna hade också en kort lista över stjärnor som astronomer hade identifierat som troligen värd för exoplaneter. Av den informationen, deras system drog också slutsatser om skräpskivor som var korrelerade med förekomsten av exoplaneter, att välja de 367 kandidaterna för vidare studier.

"Med tanke på skalbarhetsutmaningarna med stora data, utnyttja crowdsourcing och medborgarvetenskap för att utveckla utbildningsdatauppsättningar för maskininlärningsklassificerare för astronomiska observationer och tillhörande objekt är ett innovativt sätt att hantera utmaningar inte bara inom astronomi utan också flera olika datakrävande vetenskapsområden, "säger Dan Crichton, som leder Center for Data Science and Technology vid NAASAs Jet Propulsion Laboratory. "Användningen av den datorstödda upptäcktspipeline som beskrivs för att automatisera extraktionen, klassificering, och valideringsprocessen kommer att vara till hjälp för att systematisera hur dessa funktioner kan sammanföras. Tidningen gör ett bra jobb med att diskutera effektiviteten av detta tillvägagångssätt som tillämpas på skräpskivkandidater. Lärdomarna kommer att bli viktiga för att generalisera teknikerna till annan astronomi och olika disciplinapplikationer. "

"Vetenskapsteamet Disk Detective har arbetat med ett eget maskininlärningsprojekt, och nu när det här papperet är ute, vi måste samlas och jämföra anteckningar, "säger Marc Kuchner, en senior astrofysiker vid NASA:s Goddard Space Flight Center och ledare för crowdsourcing-projekt för upptäckt av skivor som kallas Disk Detective. "Jag är verkligen glad att Nguyen undersöker detta eftersom jag verkligen tror att denna typ av maskin-mänskligt samarbete kommer att bli avgörande för att analysera framtidens stora datamängder."

Denna artikel publiceras på nytt med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.