Об этом сообщает журнал Astronomy and Computing.

Читайте также: Искусственный интеллект обнаружил на Луне 6 тысяч ранее неизвестных кратеров

Авторы новой работы под руководством Тем Нгуен из Массачусетского технологического института опирались на данные проекта гражданской науки Disk Detective. Его участники изучают снимки звезд, полученные в рамках нескольких обзоров, и пытаются определить, окруженное светило газопылевого диска.

Для обучения классификатора методом опорных векторов астрономы использовали результаты анализа обзора, выполненного инфракрасным телескопом WISE. Они выделили 114 звезд, которые были отобраны для дальнейших наблюдений аргентинской обсерватории CASLEO. Они считаются хорошими кандидатами для выявления протопланетных дисков. Кроме того, ученые использовали два дополнительных набора данных: один состоял из 13 "перспективных" звезд, а второй включал 138 заведомо непригодных объектов.

Полученные методом результаты совпадали классификации, сделанной людьми, в 97% случаев. Кроме того, программа смогла обнаружить следы 367 протопланетных дисков, которые ранее были неизвестны исследователям. Все они находятся вокруг звезд, у которых уже есть известные экзопланеты (алгоритм обрабатывал данные архива NASA Exoplanet Archive). Дальнейшие наблюдения выбранных объектов позволят проверить точность работы системы.

Читайте также: Искусственный интеллект научили рисовать обнаженные тела: фото

Что такое машинное обучение? Это подотрасль информатики (в частности, мягких и гранулированных вычислений), которая эволюционировал по исследованию распознавания образов и теории вычислительного обучения в области искусственного интеллекта. Машинное обучение исследует изучения и построение алгоритмов, которые могут учиться из данных, и выполнять предсказательная анализ на них. Такие алгоритмы действуют путем построения модели из образцового тренировочного набора входных наблюдений, чтобы осуществлять управляемые данными прогнозы или принимать решения, выраженные как выходы, вместо того, чтобы строго следовать статическим программным инструкциям.

Астрономы очень часто работают с большими массивами данных, и нередко им приходится просматривать их вручную. Чтобы облегчить задачу, исследователи в последние годы все чаще используют нейросети и алгоритмы машинного обучения, которые позволяют не только автоматизировать процесс, но и заметно его ускорить.