Bild https://www.esa. Gaia kartlägger Vintergatans stjärnor.
En grupp forskare under ledning från Leibniz Institute
for Astrophysics Potsdam (AIP) och Institute of Cosmos Sciences vid University
of Barcelona (ICCUB) har använt nya maskininlärningstekniker för att bearbeta
data från 217 miljoner stjärnor som observerats under Gaia-uppdraget på ett
extremt effektivt sätt vilket öppnar upp spännande möjligheter att kartlägga
egenskaper som interstellär extinktion och metallicitet i Vintergatan och till
att förstå stjärnpopulationer och strukturen i vår galax.
Detta är den
tredje omgången av den europeiska rymdorganisationen ESA:s rymduppdrag med Gaia där
astronomer fått tillgång till förbättrade mätningar för 1,8 miljarder stjärnor
vilket ger en enorm mängd data för forskning om Vintergatan. Att analysera en
så stor datamängd på ett effektivt sätt innebar utmaningar.
I den nu publicerade studien utforskade forskarna
användningen av maskininlärning för att uppskatta viktiga stjärnegenskaper med
hjälp av Gaias spektrofotometriska data. Modellen tränades på högkvalitativa
data från 8 miljoner stjärnor och uppnådde tillförlitliga förutsägelser med små
osäkerheter.
– Den underliggande tekniken, som kallas extreme
gradient-boosted trees, gör det möjligt att uppskatta exakta egenskaper hos
stjärnor såsom temperatur, kemisk sammansättning och interstellär stoftförmörkelse med oöverträffad effektivitet.
Den utvecklade maskininlärningsmodellen, SHBoost,
slutför sina uppgifter, inklusive modellträning och prediktion, inom fyra
timmar på en enda GPU – en process som tidigare krävde två veckor och 3000
högpresterande processorer, beskriver Arman Khalatyan från AIP som var huvudförfattare
till studien.
De publicerade sina resultat i Astronomy and
Astrophysics.
Framtiden
får visa vad för resultat man ytterligare kan få fram med denna slags
Maskininlärningsmodell så kallade AI (artificiell intelligence) i framtiden.