Toppen! Nu är du prenumerant på Warp News
Härligt! Genomför ditt köp i kassan för full tillgång till Warp News
Varmt välkommen tillbaka! Du är nu inloggad.
Tack! Kolla din inkorg för att aktivera ditt konto.
Klart! Din faktureringsinformation är nu uppdaterad.
Uppdateringen av faktureringsinformationen misslyckades.
🔭 Deep learning-maskinen ExoMiner validerar 301 nya exoplaneter

🔭 Deep learning-maskinen ExoMiner validerar 301 nya exoplaneter

301 potentiella exoplaneter från Keplers arkiv har nu validerats genom en ny deep learning-metod, vilket tar det totala antalet exoplaneter upp till nästan 5000.

Alexander Engelin
Alexander Engelin

Dela artikeln

ExoMiner, ett nytt deep neural network har nu validerat 301 exoplaneter, efter att ha processerat data från rymdteleskopet Keplers arkiv.

Ett deep neural network är en typ av maskininlärning, vilket innebär att det automatiskt lär sig en uppgift om att man matar det med tillräckligt mycket information. ExoMiner har "blivit tillsagd" hur forskare identifierar huruvida någonting är en exoplanet eller ej, och sedan processerat stora mängder data från rymdteleskopet Kepler, för att validera eller refusera en mängd objekt som misstänktes kunna vara planeter.

Genom att använda den nya metodern kommer forskare att kunna processera mycket större mängder data än tidigare. Eftersom det är en extremt tidskrävande aktivitet för människor är det ett stort genombrott för astronomin, och senare möjligtvis även för andra forskningsfält.

Deep neural network är också mer passande för vetenskaplig användning, då det inte är något mysterium hur det fungerar. Jon Jenkins, exoplanetforskare vid NASA:s Ames Research Center, säger att tidigare maskininlärningsmetoder var som en svart låda, där man inte visste hur maskinen kommit till sina slutsatser. Med ExoMiner kan forskarna däremot enkelt avgöra vad som ledde maskinen till att antingen refusera eller acceptera ett objekt som en planet; det här gör det till ett mer pålitligt redskap i forskningssammanhang.

Efter att ExoMiner nu har tränat på data från Kepler, siktar forskarna på att göra finjusteringar för att kunna använda metoden på nya uppdrag. Näst på tur står The Transiting Exoplanet Survey Satellite (TESS), som specifikt söker efter jordliknande planeter. Ingen av de nyligen validerade planeter från Keplers arkiv tros vara varken jordliknande eller befinna sig inom sitt solsystems beboeliga zon.


Bild: Expoplaneten Gliese667Cb med en massa 6 gånger större än jorden. Gleise667Cb  går i omloppsbana med 1/20 av jordens avstånd från solen, kring en stjärna med en massa som är mindre än hälften av solens massa. Värdstjärnan Gliese667C ingår i ett solsystem med tre stjärnor, varav de andra två stjärnorna kan ses i bakgrunden av den här bilden. Källa: Wikimedia Commons


Få ett gratis veckobrev med
faktabaserade optimistiska nyheter