Нейронные сети предсказывают массу планеты

Чтобы выяснить, как планеты образуют астрофизики, запустите сложные и трудоемкие компьютерные вычисления. В настоящее время ученые разработали совершенно новый подход, чтобы значительно ускорить этот процесс. Они используют глубокое обучение, основанное на искусственных нейронных сетях, метод, который хорошо известен в распознавании изображений.

Планеты растут в звездных дисках, аккрецирующих твердый материал и газ. Становятся ли они такими телами, как Земля или Юпитер, зависит от различных факторов, таких как свойства твердых тел, давление и температура в диске и уже накопленный материал. С помощью компьютерных моделей астрофизики пытаются смоделировать процесс роста и определить внутреннюю планетарную структуру.

Для заданных граничных условий они рассчитывают массы газовой оболочки планеты. «Это требует решения системы дифференциальных уравнений, — объясняет Янн Алиберт, научный сотрудник NCCR PlanetS в Университете Берна. — Решение этих уравнений было специальностью астрофизиков здесь, в Берне, в течение последних 15 лет, но это сложный и трудоемкий процесс".

Чтобы ускорить расчеты, Янн Алиберт и помощник PlanetS Джулия Вентурини из Международного института космических наук (ISSI) в Берне приняли метод, который уже охватил многие другие области, включая смартфон в наших руках: глубокое обучение. Например, он используется для распознавания лиц и изображений. Но эта отрасль искусственного интеллекта и машинного обучения также улучшила автоматический языковой перевод и будет иметь решающее значение для автомобилей с автоматическим управлением.

«В астрономии много шумихи, — говорит Алиберт, — машинное обучение уже использовалось для анализа наблюдений, но, насколько мне известно, мы первыми используем глубокое обучение для таких целей». Алиберт и Вентурини публикуют свои результаты в журнале Astronomy and Astrophysics (A & A).

База данных миллионов планет

Сначала исследователям нужно было создать базу данных. Они рассчитали миллионы возможных внутренних структур планет. «Нам потребовалось три недели, чтобы вычислить все эти контрольные примеры с использованием кода, разработанного Джулией Вентурини во время ее докторской диссертации в Берне», — говорит Алиберт. Следующим шагом было определение архитектуры искусственной нейронной сети, набора алгоритмов, которые передают входные данные посредством математических операций и имеют возможность обучаться без явного программирования.

«Затем мы обучили эту сеть, используя нашу гигантскую базу данных, — объясняет астрофизик. — Теперь наша сеть способна предсказывать массу планеты, которая формируется при определенных условиях, с очень хорошей точностью и невероятно быстрее, чем решение дифференциальных уравнений».

Процесс глубокого обучения гораздо более точен, чем разработанные ранее методы замены решения дифференциальных уравнений некоторыми аналитическими формулами. Эти аналитические формулы могут предсказать, что планета должна вырасти до массы Юпитера, в то время как в действительности она не может иметь больше массы, чем Нептун.

«Мы показываем, что наши глубокие нейронные сети обеспечивают очень хорошее приближение на уровне процентов», — резюмирует Алиберт. Исследователи представляют свои результаты на платформе разработки программного обеспечения GitHub, так что коллеги, работающие в области формирования планет по всему миру, получают от них пользу.