Много от холивудските научнофантастични филми изправят хора и машини едни срещу други - но какво ще стане, ако те си сътрудничат? Това всъщност може да е бъдещето на астрономията.

Тъй като наборите от данни стават все по-големи и по-големи, те са и по-трудни за анализиране от малки екипи от изследователи. Учените често се обръщат към сложни алгоритми за машинно обучение, но те все още не могат да заменят човешката интуиция и превъзходните умения на мозъка ни за разпознаване на образи. Въпреки това комбинация от двете може да бъде перфектен отбор. Астрономите наскоро тестваха алгоритъм за машинно обучение, който използва информация от граждани - учени доброволци, за да идентифицира екзопланети в данни от сателита за изследване на транзитни екзопланети (TESS) на НАСА.

„Това показва ползите от използването на машинно обучение с хора в цикъл“, казва Шрешт Малик, физик от Оксфордския университет в Обединеното кралство и водещ автор на публикацията, пред Space.com.

Изследователите са използвали типичен алгоритъм за машинно обучение, известен като конволюционна невронна мрежа. Този компютърен алгоритъм разглежда изображения или друга информация, която хората са етикетирали правилно (известен още като „данни за обучение“) и се научава как да идентифицира важни характеристики. След като бъде обучен, алгоритъмът може да идентифицира тези характеристики в нови данни, които не е виждал преди.

За да работи алгоритъмът точно, обаче той се нуждае от много от тези етикетирани данни за обучение. „Трудно е да се получат етикети в този мащаб без помощта на граждански учени“, обяснява Нора Айснер, астроном от института Flatiron в Ню Йорк и съавтор на изследването.

Хора от цял свят допринесоха чрез търсене и етикетиране на преминаване и засичане на екзопланети чрез проекта Planet Hunters TESS в Zooniverse: онлайн платформа за наука, базирана на тълпи. Гражданският принос в науката има допълнителната полза от „споделяне на еуфорията от откритието с не-учени, насърчаване на научната грамотност и общественото доверие в научните изследвания“, твърди Джон Зинк, астроном от Caltech, който не е свързан с това ново проучване.

Намирането на екзопланети е трудна работа - те са малки и бледи в сравнение с масивните звезди, около които обикалят. В данни от телескопи като TESS астрономите могат да забележат слаби спадове в светлината на звезда, когато планета минава между нея и обсерваторията, известни като транзитен метод. Звездите не са перфектни електрически крушки, което прави преминаванията понякога трудни за откриване. Зинк смята, че партньорствата с машинно обучение „биха могли значително да подобрят способността ни да откриваме екзопланети“ в този вид пъстри данни от реалния свят. Някои планети също са по-трудни за намиране от други. Планетите с дълъг период обикалят около своята звезда по-рядко, което означава по-дълъг период от време между спадовете в светлината. TESS изучава всяка част от небето само за един месец, така че за тези планети може да улови само един транзит вместо няколко периодични промени.

„С гражданския принос в науката сме особено добри в идентифицирането на планети с дълъг период, които са планетите, които обикновено се пропускат от автоматизирани транзитни търсения“, коментира Айснер.

Тази работа има потенциала да отиде далеч отвъд екзопланетите, тъй като машинното обучение бързо се превръща в популярна техника в много аспекти на астрономията, завършва Малик. „Виждам само как неговото въздействие се увеличава, докато нашите набори от данни и методи стават по-добри.“

Снимка: Unsplash

Виж още: Вентилаторът на PS5 работи различно според нуждите на всяка игра