Algoritmer för artificiell intelligens (AI) som tränats på riktiga astronomiska observationer överträffar nu astronomerna när det gäller att sålla igenom enorma mängder data för att hitta nya exploderande stjärnor, identifiera nya typer av galaxer och upptäcka sammanslagningar av massiva stjärnor, vilket ökar hastigheten för nya upptäckter i världens äldsta vetenskap.

Men AI, även kallat maskininlärning, kan avslöja något djupare, fann University of California, Berkeley, astronomer:Otänkta kopplingar gömda i den komplexa matematiken som härrör från allmän relativitet – i synnerhet hur den teorin tillämpas för att hitta nya planeter runt andra stjärnor.

I en artikel som publiceras denna vecka i tidskriften Nature Astronomy , beskriver forskarna hur en AI-algoritm utvecklades för att snabbare upptäcka exoplaneter när sådana planetsystem passerar framför en bakgrundsstjärna och kortvarigt lyser upp den – en process som kallas gravitationell mikrolinsning – avslöjade att de årtionden gamla teorier som nu används för att förklara dessa observationer är bedrövligt ofullständig.

1936 använde Albert Einstein själv sin nya allmänna relativitetsteori för att visa hur ljuset från en avlägsen stjärna kan böjas av gravitationen hos en förgrundsstjärna, inte bara ljusare upp den sett från jorden, utan ofta dela upp den i flera punkter. ljus eller förvränga den till en ring, nu kallad Einstein-ring. Detta liknar hur en handlins kan fokusera och intensifiera ljuset från solen.

Men när förgrundsobjektet är en stjärna med en planet är ljusningen över tiden – ljuskurvan – mer komplicerad. Dessutom finns det ofta flera planetbanor som kan förklara en given ljuskurva lika bra – så kallade degenerationer. Det var där människor förenklade matematiken och missade helheten.

AI-algoritmen pekade dock på ett matematiskt sätt att förena de två huvudtyperna av degeneration i tolkningen av vad teleskop upptäcker under mikrolinsning, vilket visade att de två "teorierna" verkligen är specialfall av en bredare teori som forskarna medger att den sannolikt fortfarande är ofullständig. .

"En maskininlärningsalgoritm som vi tidigare utvecklat ledde till att vi upptäckte något nytt och fundamentalt om ekvationerna som styr den generella relativistiska effekten av ljusböjning av två massiva kroppar", skrev Joshua Bloom i ett blogginlägg förra året när han laddade upp tidningen till en preprint-server, arXiv. Bloom är professor i astronomi vid UC Berkeley och ordförande för institutionen.

Han jämförde upptäckten av UC Berkeleys doktorand Keming Zhang med kopplingar som Googles AI-team, DeepMind, nyligen gjorde mellan två olika områden inom matematiken. Sammantaget visar dessa exempel att AI-system kan avslöja grundläggande associationer som människor missar.

"Jag hävdar att de utgör en av de första - om inte första - gångerna som AI har använts för att direkt ge ny teoretisk insikt i matematik och astronomi," sa Bloom. "Precis som Steve Jobs föreslog att datorer skulle kunna vara sinnets cyklar, har vi letat efter ett AI-ramverk för att fungera som ett intellektuellt raketskepp för forskare."

"Detta är en slags milstolpe inom AI och maskininlärning", betonade medförfattaren Scott Gaudi, professor i astronomi vid Ohio State University och en av pionjärerna med att använda gravitationsmikrolins för att upptäcka exoplaneter. "Kemings algoritm för maskininlärning avslöjade denna degeneration som hade saknats av experter inom området som slitit med data i årtionden. Detta tyder på hur forskningen kommer att gå till i framtiden när den får hjälp av maskininlärning, vilket är riktigt spännande."

Upptäcker exoplaneter med mikrolinsning

Mer än 5 000 exoplaneter, eller extrasolära planeter, har upptäckts runt stjärnor i Vintergatan, även om få faktiskt har setts genom ett teleskop - de är för svaga. De flesta har upptäckts för att de skapar en Doppler-wobbling i rörelserna hos sina värdstjärnor eller för att de svagt dämpar ljuset från värdstjärnan när de korsar framför den - transiter som var i fokus för NASA:s Kepler-uppdrag. Endast några fler än 100 har upptäckts med en tredje teknik, mikrolinsning.

Ett av huvudmålen för NASA:s romerska rymdteleskop Nancy Grace, planerat att lanseras 2027, är att upptäcka tusentals fler exoplaneter via mikrolinsning. Tekniken har en fördel jämfört med Doppler- och transittekniker genom att den kan upptäcka planeter med lägre massa, inklusive de som är lika stora som jorden, som är långt från sina stjärnor, på ett avstånd som motsvarar Jupiter eller Saturnus i vårt solsystem.

Bloom, Zhang och deras kollegor började för två år sedan att utveckla en AI-algoritm för att analysera mikrolinsdata snabbare för att bestämma stjärn- och planetmassorna för dessa planetsystem och avstånden som planeterna kretsar runt från sina stjärnor. En sådan algoritm skulle påskynda analysen av de sannolikt hundratusentals händelser som det romerska teleskopet kommer att upptäcka för att hitta 1 % eller färre som orsakas av exoplanetära system.

Ett problem som astronomer stöter på är dock att den observerade signalen kan vara tvetydig. När en ensam förgrundsstjärna passerar framför en bakgrundsstjärna stiger bakgrundsstjärnornas ljusstyrka jämnt till en topp och sjunker sedan symmetriskt till dess ursprungliga ljusstyrka. Det är lätt att förstå matematiskt och observationsmässigt.

Men om förgrundsstjärnan har en planet skapar planeten en separat ljusstyrketopp inom den topp som stjärnan orsakar. När man försöker rekonstruera omloppskonfigurationen för den exoplanet som producerade signalen tillåter generell relativitet ofta två eller flera så kallade degenererade lösningar, som alla kan förklara observationerna.

Hittills har astronomer i allmänhet hanterat dessa degenerationer på förenklade och artificiellt distinkta sätt, sa Gaudi. Om det avlägsna stjärnljuset passerar nära stjärnan kan observationerna tolkas antingen som en bred eller en nära bana för planeten – en tvetydighet som astronomer ofta kan lösa med andra data. En andra typ av degeneration uppstår när bakgrundsstjärnljuset passerar nära planeten. I det här fallet är dock de två olika lösningarna för planetbanan i allmänhet bara lite olika.

Enligt Gaudi är dessa två förenklingar av gravitationsmikrolinsning med två kroppar vanligtvis tillräckliga för att bestämma de verkliga massorna och omloppsavstånden. Faktum är att Zhang, Bloom, Gaudi och två andra UC Berkeley-medförfattare, astronomiprofessorn Jessica Lu och doktorand Casey Lam, i en tidning som publicerades förra året, beskrev en ny AI-algoritm som inte alls förlitar sig på kunskap om dessa tolkningar . Algoritmen påskyndar avsevärt analys av mikrolinsobservationer, ger resultat i millisekunder, snarare än dagar, och drastiskt minskar datorns knasande.

Zhang testade sedan den nya AI-algoritmen på mikrolinsningsljuskurvor från hundratals möjliga orbitalkonfigurationer av stjärna och exoplanet och märkte något ovanligt:​​Det fanns andra tvetydigheter som de två tolkningarna inte tog hänsyn till. Han drog slutsatsen att de allmänt använda tolkningarna av mikrolinsning i själva verket bara var specialfall av en bredare teori som förklarar hela mångfalden av oklarheter i mikrolinsningshändelser.

"De två tidigare teorierna om degeneration handlar om fall där bakgrundsstjärnan verkar passera nära förgrundsstjärnan eller förgrundsplaneten," sa Zhang. "AI-algoritmen visade oss hundratals exempel från inte bara dessa två fall, utan också situationer där stjärnan inte passerar nära varken stjärnan eller planeten och inte kan förklaras av någon av tidigare teorier. Det var nyckeln till att vi föreslog den nya förenande teori."

Gaudi var skeptisk till en början, men kom till efter att Zhang producerat många exempel där de två föregående teorierna inte passade med observationer och den nya teorin gjorde det. Zhang tittade faktiskt på data från två dussin tidigare artiklar som rapporterade upptäckten av exoplaneter genom mikrolinsning och fann att den nya teorin i alla fall passade in data bättre än de tidigare teorierna.

"Människor såg dessa mikrolinsningshändelser, som faktiskt uppvisade denna nya degeneration, men insåg bara inte det," sa Gaudi. "Det var egentligen bara maskininlärning som tittade på tusentals händelser där det blev omöjligt att missa."

Zhang och Gaudi har lämnat in en ny artikel som noggrant beskriver den nya matematiken baserad på allmän relativitet och utforskar teorin i mikrolinssituationer där mer än en exoplanet kretsar runt en stjärna.

Den nya teorin gör tekniskt tolkningen av mikrolinsobservationer mer tvetydig, eftersom det finns mer degenererade lösningar för att beskriva observationerna. Men teorin visar också tydligt att observation av samma mikrolinsningshändelse från två perspektiv - från jorden och från det romerska rymdteleskopets omloppsbana, till exempel - kommer att göra det lättare att sätta sig på rätt banor och massor. Det är vad astronomer för närvarande planerar att göra, sa Gaudi.

"AI:n föreslog ett sätt att se på linsekvationen i ett nytt ljus och avslöja något riktigt djupt om matematiken i den," sa Bloom. "AI håller på att växa fram som inte bara den här typen av trubbigt verktyg som finns i vår verktygslåda, utan som något som faktiskt är ganska smart. Tillsammans med en expert som Keming kunde de två göra något ganska grundläggande." + Utforska vidare

Ny exoplanet under Jupitermassa upptäckt av astronomer