Las técnicas de aprendizaje automático que imitan el reconocimiento humano y los procesos de sueño se están implementando en la búsqueda de mundos habitables más allá de nuestro sistema solar. Los astrónomos de la UCL han desarrollado una red neuronal de creencia profunda, llamada RobERt Reconocimiento robótico de exoplanetasa través de detecciones de luz que emanan de sistemas planetarios distantes y recuperar información espectral sobre los gases presentes en las atmósferas de exoplanetas. RobERt será presentado en la Reunión Nacional de Astronomía NAM 2016 en Nottingham por el Dr. Ingo Waldmann el martes 28 de junio.
"Los diferentes tipos de moléculas absorben y emiten luz a longitudes de onda específicas, incrustando un patrón único de líneas dentro del espectro electromagnético", explicó el Dr. Waldmann, que dirige el equipo de desarrollo de RobERt. "Podemos tomar luz que se ha filtrado a través de la atmósfera de un exoplanetao reflejado en sus cimas de nubes, divídalo como un arcoíris y luego elija la "huella digital" de las características asociadas con las diferentes moléculas o gases. Los cerebros humanos son realmente buenos para encontrar estos patrones en los espectros y etiquetarlos por experiencia, pero esun trabajo que consume mucho tiempo y habrá grandes cantidades de datos.
Creamos RobERt para aprender independientemente de los ejemplos y construir sobre sus propias experiencias. De esta manera, como un astrónomo experimentado o un detective, RobERt tiene una muy buena idea de qué moléculas están dentro de un espectro y cuáles son los datos más prometedores paraanálisis más detallado. Pero lo que usualmente lleva días o semanas le toma a RobERt unos segundos ".
Las redes neuronales de creencia profunda, o DBN, se desarrollaron hace más de una década y se usan comúnmente para el reconocimiento de voz, búsquedas en Internet y para rastrear el comportamiento del cliente. El DBN de RobERt tiene tres capas de procesadores unitarios o 'neuronas'. La información se introduce enuna capa inferior de 500 neuronas, que hacen un filtro inicial de los datos y pasan un subconjunto hasta la segunda capa. Aquí, 200 neuronas refinan la selección y pasan los datos a una tercera capa de 50 neuronas para hacer la identificación final degases con mayor probabilidad de estar presentes.
Para preparar a RobERt para su desafío, Waldmann y sus colegas de UCL crearon un total de 85,750 espectros simulados, que cubren cinco tipos diferentes de exoplanetas que van desde GJ1214b, un potencial "planeta oceánico", hasta WASP-12, un Júpiter caliente que orbita muy cercaa su estrella. Cada espectro en el conjunto de entrenamiento contenía la huella digital de una sola especie de gas. El progreso de aprendizaje de RobERt se probó a intervalos durante el entrenamiento con espectros de "control". Al final de la fase de entrenamiento, RobERt tenía una precisión de reconocimiento de 99.7%.
"RobERt ha aprendido a tener en cuenta factores como el ruido, los rangos de longitud de onda restringidos y las mezclas de gases", dijo Waldmann. "Puede seleccionar componentes como el agua y el metano en una atmósfera mixta con una alta probabilidad, incluso cuando ella entrada proviene de las bandas de ondas limitadas que proporcionan la mayoría de los instrumentos espaciales y cuando contiene características superpuestas "
El DBN de RobERt también se puede revertir para que, en lugar de analizar los datos introducidos en el sistema, pueda entrar en un "estado de sueño" en el que puede generar espectros completos basados en sus experiencias.
"Los robots realmente sueñan. Podemos pedirle a RobERt que sueñe cómo cree que se verá un espectro de agua, y ha demostrado ser muy preciso", dijo Waldmann. "Esta habilidad de soñar ha sido muy útil al tratar de identificar características incompletas".datos. RobERt puede usar su estado de sueño para llenar los vacíos. El telescopio espacial James Webb, que se lanzará en 2018, contará más sobre las atmósferas de los exoplanetas, y nuevas instalaciones como Twinkle o ARIEL se pondrán en línea en el próximodécada específicamente diseñada para caracterizar las atmósferas de los exoplanetas. La cantidad de datos que proporcionarán estas misiones será impresionante. RobERt desempeñará un papel invaluable para ayudarnos a analizar los datos de estas misiones y descubrir cómo son realmente estos mundos distantes."
Fuente de la historia :
Materiales proporcionado por Real Sociedad Astronómica RAS . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :