【用機器學習分析行星樣本】天文學家與科學家跨界合作,確認出 50 顆真正的新行星

英國華威大學 於 8 月 25 日發布一篇文章證實天文學家與科學家首次利用機器學習的方式成功分析潛在行星樣本,並從候選行星中確認出 50 顆真正的新行星。

凌日法操作變因多,偽陽性機率高

現今天文學家多透過凌日法(Transit)來尋找太陽系外的行星,截至 2020 年 6 月底,約有 4281 顆系外行星已獲得確認,其中又有約 7 成行星是透過凌日現象發現,也就是趁著地內行星如金星、水星從地球和太陽之間經過時,地球上的觀測者就可以看到黑點經過太陽。

所以天文學家便能利用系外行星從母恆星經過的時候,便會遮住恆星的部分光亮。藉此觀測一但有某個恆星亮度會週期性變化,那可能就有機會是系外行星!水星凌日大約一世紀出現 13、14 次,金星凌日則大約是 243 年一個週期,平均每 100 多年會遇到 1 次金星凌日,但週期中間會出現間隔 8 年的兩次金星凌日,例如最近的兩次金星凌日分別在 2004 年 6 月 8 日以及 2012 年 6 月 5 日。而金星跟水星要同時凌日的機率就更不用說了,必須等到 69163 年(沒錯,是西元年)。

看完上面的說明,應該不難想像凌日法操作上的困難以及時間成本, 只要一點點誤差就可能導致研究結果出現天壤之別 。當然現在仍會以凌日法作為主要觀察方式,但華威大學為了排除偽陽性的行星誤判可能,建立出一套機器學習系統。

機器學習提高驗證速度,一次找出 50 顆新行星

系統可以幫助人們驗證來自 NASA 克卜勒太空望遠鏡(Kepler Mission)和凌日系外行星巡天衛星 TESS 所發現的數以萬計顆候選行星,再從中找出真正的行星。而這訓練模型的資料庫,就來自 NASA 克卜勒太空望遠鏡經過確認的行星、偽陽性樣本數。

華威大學電腦科學系的博士 Theo Damoulas 等人表示:「天文物理學這類未知且浩瀚的領域,只要能夠將研究過程所帶來的計算複雜性困難度降低,就可立刻看到顯著的改善成果,而機器學習就很適合處理這樣的問題。」

過去的機器學習技術,多用於為候選行星排名,但無助於辨別行星的真正與否。對此,華威大學物理系博士 David Armstrong 表示:「最新的機器學習系統,可以確切算出機率, 當候選行星被確認是行星的偽陽性機率小於 1% 時 ,便可確認它是經過確認的行星。」

這次研究成果找出的 50 顆行星,大小落差之大,行星軌道也有長有短,透過機器學習驗證後的行星,天文學家便可優先對這些對象進行進一步觀測。未來這項機器學習技術將會持續充實資料庫,協助更大規模的搜尋行動,也將可預期在不久的將來替行星探索任務帶來更佳效率。

參考資料:《iThome

(本文提供合作夥伴轉載。首圖來源:Unsplash,CC Licensed。)

你可能有興趣

 


《TO》品牌活動「CONNECT」深度專題重磅更新! 

本周主打「精準醫療」專題,看企業、醫院如何導入科技,開創嶄新的醫療服務,找出台灣下波隱形機會! 馬上報名 獲取最新深度報導。

點關鍵字看更多相關文章: