Фрагмент Солнечной системы (слева) в сравнении с восьмипланетной системой Kepler 90 (справа). Обнаруженная нейросетью Google экзопланета Kepler 90i с периодом обращения 14 дней отмечена оранжевым цветом

Исследователи находят всё новые применения нейросетям для обработки изображений. Теоретически возможности машинного обучения с подкреплением (DL) поистине безграничны, но когда смотришь на реальные достижения этих программ — среди них не так уж много действительно полезных на практике. Чаще всего нейросети достигают успеха в какой-нибудь игре, выдавая в качестве положительного стимула количественный результат в очках. Но какой смысл, что ваш ИИ научился отлично играть в Counter-Strike, если он не способен реализовать свои знания на практике и обезвредить настоящих террористов?

Но в отдельных случаях DL всё-таки используют не только для изучения самого DL, но и для решения практических задач, важных для человечества. Например, они используются в здравоохранении, квантовой химии и ядерной физике (везде даны ссылки на исследования Google). Теперь к этому списку присоединилась астрофизика. Инженеры из подразделения Google Brain нашли две новые экзопланеты, обучив нейросеть анализировать данные с космического телескопа «Кеплер». Хотя это всего лишь предварительные результаты после обработки 670 звёздных систем, но они доказывают применимость машинного обучения в данной области.

8 марта 2018 года разработчики Google выложили на GitHub исходный код программы для обработки данных с «Кеплера», программ обучения нейросети и выдачи прогнозов по самым перспективным звёздным системам.

Google надеется, что публикация исходников поможет другим исследователям разработать аналогичные нейронные сети и алгоритмы обучения для обработки данных с других космических миссий, в том числе K2 (вторая миссия «Кеплера») и Transiting Exoplanet Survey Satellite.

Как известно, 12 мая 2013 года телескоп «Кеплер» вышел из строя; орбитальная обсерватория потеряла ориентацию в пространстве, бортовой компьютер перешёл в «безопасный режим». Но инженеры NASA не сдались и предложили инновационный способ, как стабилизировать космическую станцию, используя солнечный ветер. Схематично изобретённая техника показана на иллюстрации.



С момента начала миссии K2 обнаружено более 20 экзопланет и более 300 кандидатов — и «Кеплер» продолжает поставлять новые данные для анализа.

Основным научным инструментом космической обсерватории является фотометр, составленный из 42 ПЗС-сенсоров размером 50?25 мм и разрешением 2200?1024 пикселей каждая. Каждые три секунды происходит считывание с ПЗС. Фотометр непрерывно регистрирует яркость звезды, и если перед ней проходит планета — то фиксирует характерный сигнал в форме U.



Проблема в том, что похожий сигнал могут давать и другие астрономические объекты, а не только планеты. Например, это могут быть двойные звёзды, звёздные пятна, космические лучи, шум от инструментов и другие феномены.



Автоматический конвейер обработки данных NASA пытается отфильтровать сигналы, которые могут соответствовать экзопланетам. Но даже после такой фильтрации кандидатов слишком много, и все требуют проверки. На данный момент конвейер выдал более 30 000 кандидатов, и около 2500 в реальности оказались планетами.

Инженеры Google обучили нейросеть на имеющемся наборе данных — тех самых 30 000 кандидатах, которые уже реально проверены людьми (обучение с учителем). Так она научилась уверенно отличать планеты от ложноположительных кандидатов. После этого её запустили для проверки на небольшой выборке из 670 звёздных систем — и её удалось найти две ранее неизвестные экзопланеты Kepler-90i и Kepler-80g, которые раньше ускользнули от внимания астрономов при ручной проверке кандидатов.



Теперь после публикации исходного кода любой желающий может начать поиск новых экзопланет на своём собственном компьютере, обучив нейросеть от Google по опубликованной инструкции и загрузив в неё данные с «Кеплера».

Обработки ждут ещё 200 000 звёздных систем. Вокруг каждой из них могут вращаться планеты земного типа.