En inblick i vintergatan med GAIA och maskininlärning

 

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.

Kan maskininlärning finna liv därute ”om nu det finns något liv därute”.

 

Maskininlärning (engelska: machine learning) är ett område inom artificiell intelligens inom datavetenskap. Det handlar om metoder för att med data "träna" datorer att upptäcka och "lära" sig regler för att lösa en uppgift utan att datorerna har programmerats med regler för uppgiften.

Då man funderar över sannolikheten av att upptäcka tekniskt avancerat utomjordiskt liv därute vilket försökts länge nu är frågan varför vi inget finner. En del ser det som att vi haft oturen att inte söka på rätt plats eller att vi sökt på fel plats.  

Nu har ny forskning publicerad i Nature Astronomy under ledning av en grundstudent vid University of Toronto, Peter Ma, tillsammans med forskare vid SETI Institute, Breakthrough Listen och vetenskapliga forskningsinstitutioner runt om i världen, tillämpat en djupinlärningsteknik på ett tidigare studerat dataset av näraliggande stjärnor och avslöjat åtta tidigare oidentifierade signaler som kan vara intressanta  att analysera.

"Totalt har vi sökt igenom 150 TB data från 820 närliggande stjärnor av ett dataset som 2017 sökts igenom  med klassisk teknik men som då konstaterades innehålla ointressanta signaler", säger Peter Ma och tillägger. Vi ökar nu denna sökinsats till 1 miljon stjärnor med hjälp av MeerKAT-teleskopet i Sydafrika. 

Vi tror att arbetet med MerrKat kommer att bidra till att påskynda möjligheten för svar i vårt försök att svara på frågan 'om vi är vi ensamma i universum?'"

Sökandet efter utomjordisk intelligens (som SETI) letar efter bevis på utomjordisk intelligens bortom jorden genom att försöka upptäcka teknosignaturer eller andra tecken på teknik från främmande civilisationer. Det vanligaste är att söka efter radiosignaler. Radiosignaler är ett utmärkt sätt att skicka information mellan stjärnorna; signalen passerar snabbt genom det damm och den gas som genomsyrar rymden  med ljusets hastighet. SETI-projektet använder antenner för att avlyssna alla radiosignalfrekvenser som utomjordingar kan antas ha sändning på.

I studien undersöktes data från Green Bank Telescope i West Virginia som en del av en Breakthrough Listen-kampanj som ursprungligen inte visat något av intresse. Målet var att tillämpa nya djupinlärningstekniker med hjälp av en klassisk sökalgoritm för att ge snabba och mer exakta resultat. Signalerna var på kortvågsbandet vilket betyder att de hade kort spektralbredd, i storleksordningen bara några Hz. Signaler orsakade av naturfenomen tenderar att ske på bredbandsfrekvenser.

Signalerna hade icke-noll drifthastigheter, vilket innebär att signalerna hade en lutning. Sådana lutningar kan indikera att en signals ursprung hade en viss relativ acceleration till våra mottagare, alltså inte lokalt är brus från radioobservatoriet.

Signalerna förekom i observationer av källan och inte i observationer utanför källan. Om en signal kommer från en specifik himmelsk källa visas den då teleskop riktas mot målet och försvinner när teleskopet riktas från källan. Mänsklig radiostörning uppträder vanligtvis i ON- och OFF- observationer på grund av att källan är i närheten.

Cherry Ng, en annan av Ma: s forskningsrådgivare och astronom vid både SETI-institutet och det franska nationella centret för vetenskaplig forskning, sa i ett uttalade: "Dessa resultat illustrerar dramatiskt kraften i att tillämpa moderna maskininlärnings- och datorvisionsmetoder inom astronomi som kan resultera i nya upptäckter och ge högre prestanda. Tillämpningen av dessa tekniker i stor skala kommer att vara omvälvande för radioteknosignaturvetenskapen."

Vi får se vad som finns därute. Kanske en överraskning kanske ingenting alls (min anm.).

Denna forskning är publicerad i Nature Astronomy och kan hittas här. 

Bilden från vikipedia visar hur djupinlärning är en underkategori av maskininlärning och hur maskininlärning är en underkategori av artificiell intelligens (AI).