NASA wil eigenschappen sterren achterhalen met machine learning

Astronomen van de NASA hebben machine learning ingezet om de eigenschappen van duizenden sterren in de Melkweg te bestuderen. De wetenschappers hopen zo nieuwe patronen te ontdekken die door mensen niet worden opgemerkt.

De astronomen gebruiken zelflerende computersystemen om bepaalde basiseigenschappen van sterren in kaart te brengen. Daarvoor worden foto's van het heelal gebruikt. Normaliter zijn gegevens over het spectrum van een ster nodig om met behulp van de verschillende golflengtes de eigenschappen van het hemellichaam te kunnen vaststellen, een tijdrovende klus voor astronomen. De machine learning-systemen van de NASA nemen echter genoegen met fotoverzamelingen, omdat zij patronen kunnen herkennen waaruit de eigenschappen van sterren zijn te herleiden.

Volgens de NASA maken de algoritmen van het machine learning-systeem het mogelijk om in relatief korte tijd miljarden sterren te analyseren. Zo kan de omvang van een ster worden vastgesteld, evenals welke metalen aanwezig zijn. Naast de snelheidswinst levert de software ook een kostenbesparing op.

De softwarealgoritmen moesten wel eerst 'getraind' worden in het herkennen van sterren. Daarvoor gebruikte de NASA een bestand waarin 9000 sterren waren opgenomen. Door de algoritmen ook te voeden met databestanden waarin de lichtcurven van de sterren waren opgenomen, kon de software na een tijdje patronen herkennen. De NASA-astronomen hebben hun bevindingen met het systeem tot dusver in een onderzoeksrapport vastgelegd.

Reacties (10)

[Patrick_P]

Computer learning of deep learning is sterk in opkomst. Denk bijvoorbeeld aan Google image search waar je soortgelijke beelden kunt vinden. In dit voorbeeld heb ik op https://images.google.com/ een plaatje van een boom geupload. Dit is de uitkomst: https://www.google.com/se...0CDAQsw4&biw=1920&bih=943

Google herkent eerst dat het plaatje dat ik had geupload een boom toonde, en geeft mij een lijst met bomen. Die bomen zijn waarschijnlijk nog met name geindexeerd aan de hand van tekst die bij deze plaatjes stond, maar dit gaat meer en meer naar machine learning toe waar dus echt het object wordt herkend. Een informatieve Ted Talk over machine learning legt e.e.a. heel duidelijk uit: http://www.ted.com/talks/..._that_can_learn#t-1071211. Meer geavanceerd is bijvoorbeeld het herkennen van kanker in weefsel materiaal. Inmiddels kan software concurreren met gespecialiseerde artsen. Binnenkort zal de software dankzij 'learning' beter zijn dan welke persoon dan ook en verbanden zien die mensen niet kunnen opmerken omdat ze te subtiel zijn of te weinig voorkomen.

Dit soort toepassingen kun je natuurlijk ook loslaten op foto's van sterren in onze eigen melkweg, dat is wat NASA nu doet.

We kunnen nog heel veel verwachten op dit gebied. Over dit onderwerp is een interesante Ted Talk gegeven. Het duurt een kwartier maar geeft veel informatie over wat de komende jaren aan visueel ruimte onderzoek zal worden gedaan. Niet alleen binnen onze eigen melkweg, maar binnen het heelal: http://www.ted.com/talks/..._window_into_our_universe.

De schaal waarop dit wordt gedaan is eigenlijk onbegrijpelijk voor mensen. De zoektocht is naar verbanden die wij nauwelijks kunnen opmerken. Hier wordt de kracht van machine learning noodzaak. Het project heet Large Synoptic Survey Telescope (LSST). Het is een zeer grote telescoop die in noord Chilie zal worden gebouwd. De camera maakt elke 20 seconden een 3,2 gigapixel foto! Het idee is om voor 2030 meer dan helft van heelal in kaart te hebben gebracht en ook de verbanden daarin te begrijpen. Momenteel is slechts een fractie van het heelal in kaart gebracht. De gevonden verbanden zullen inzicht geven in de expansie van het heelal en de rol van dark matter / energy. Meer info: http://www.lsst.org/lsst/.

LSST is bezig om de funding rond te krijgen. Voordat deze data binnen gaat komen duurt nog wel een aantal jaren. Dit soort projecten van NASA kun je zien als vingeroefeningen voor de astronomie data vloed die nog komen gaat.

[Relief2009]

De Skype Universal Translator is ook een leuk voorbeeld. De backend leert constant bij en verbetert op die manier de kwaliteit van de vertalingen zonder tussenkomst van mensen.

http://www.popsci.com/how...breaking-language-barrier

[Rafe]

Ook leuk qua machine learning en afbeeldingen: Park or Bird door Flickr nav een xkcd-comic

[dupy]

Hulde voor dit commentaar. Klasse.

[Kortfragje]

Briljant. Edoch, ik hoop dat ze zich niet laten leiden door wat machine learning in theorie allemaal niet kan en wel steeksproefsgewijs de voorspellingen valideren. In veel gebieden (klimaat, veiligheid, medicijn onderzoek) wordt nogal eens vergeten dat een model altijd een antwoord geeft (of er nu genoeg info voor een betrouwbare voorspellings is of niet)...

[kzin]

Het lijkt meer op het wegnemen van het 'saaie' werk
"But with machine learning, computer algorithms can quickly flip through available stacks of images"

Voor als je nog wilt weten hoe groot die 'stacks of images' zijn:
"Every night, telescopes around the world obtain thousands of images of the sky"

[Kortfragje]

Uiteraard, dat is altijd de reden machine learning in te zetten. Waar ik op doelde is, worden er regelmatig geclassificeerde images door mensen gechecked.

[frisianstar]

Jazeker bijvoorbeeld via GalaxyZoo: http://www.galaxyzoo.org/
Hanny van Arkel ontdekte zó 'Hanny's Voorwerp' : http://www.hannysvoorwerp.com/?page_id=710

[Tweekzor]

Je kan ook een zekerheidspercentage inbouwen in je machine learning. Dan stel je bijvoorbeeld in dat de machine 90% zeker moet en anders het antwoord geeft "onbekend", in dat geval verlaag je het aantal false positives drastisch. Bovendien hebben deze systemen altijd false positives, daar zijn ze bij de nasa ook zeker van bewust. Onderzoeken of de bewering van de computer klopt kost echter veel minder tijd dan dit zelf uitzoeken, vandaar de snelheidswinst met dit soort systemen.

[hardwareaddict]

Nu maar hopen dat ze ook regelmatig de conclusies herchecken - want er worden fouten gemaakt.