Hành trình Khoa học, Không gian và Thời gian!
Để tìm hiểu làm thế nào các hành tinh hình thành các nhà vật lý thiên văn chạy các tính toán máy tính phức tạp và tốn thời gian. Các nhà khoa học hiện đã phát triển một cách tiếp cận hoàn toàn mới lạ để tăng tốc quá trình này một cách đáng kể. Họ sử dụng học tập sâu dựa trên các mạng thần kinh nhân tạo, một phương pháp nổi tiếng trong nhận dạng hình ảnh.
Để tăng tốc các tính toán, Yann Alibert và cộng sự của PlanetS Julia Venturini thuộc Viện Khoa học Vũ trụ Quốc tế (ISSI) ở Bern đã áp dụng một phương pháp đã nắm bắt được nhiều lĩnh vực khác bao gồm cả điện thoại thông minh trong tay chúng ta: học sâu. Nó là ví dụ được sử dụng để nhận dạng khuôn mặt và hình ảnh. Nhưng nhánh trí tuệ nhân tạo và học máy này cũng đã cải thiện khả năng dịch ngôn ngữ tự động và sẽ rất quan trọng đối với ô tô tự lái. “Có một sự cường điệu lớn trong thiên văn học”, Alibert nói: “Học máy đã được sử dụng để phân tích các quan sát, nhưng theo hiểu biết của tôi, chúng tôi là người đầu tiên sử dụng học sâu cho mục đích như vậy.” Alibert và Venturini công bố kết quả của họ trên tạp chí Astronomy and Astrophysics (A & A).
Đầu tiên, các nhà nghiên cứu phải tạo ra một cơ sở dữ liệu. Họ đã tính toán hàng triệu cấu trúc bên trong có thể của các hành tinh. “Chúng tôi đã mất ba tuần để tính toán tất cả các trường hợp thử nghiệm này bằng cách sử dụng mã do Julia Venturini phát triển trong thời gian làm Tiến sĩ tại Bern,” Alibert nói. Bước tiếp theo là quyết định kiến trúc của một mạng nơ ron nhân tạo, một tập hợp các thuật toán chuyển dữ liệu đầu vào thông qua các hoạt động toán học và có khả năng học hỏi mà không được lập trình rõ ràng. “Sau đó, chúng tôi đã đào tạo mạng này bằng cơ sở dữ liệu khổng lồ của mình”, nhà vật lý thiên văn giải thích: “Bây giờ mạng của chúng tôi có thể dự đoán khối lượng của một hành tinh được hình thành trong một số điều kiện với độ chính xác rất tốt và nhanh hơn rất nhiều so với việc giải các phương trình vi phân.”
Quá trình học sâu chính xác hơn nhiều so với các phương pháp được phát triển trước đây để thay thế giải pháp phương trình vi phân bằng một số công thức phân tích. Những công thức phân tích này có thể dự đoán rằng một hành tinh sẽ phát triển theo khối lượng của Sao Mộc, trong khi thực tế, nó không thể có khối lượng lớn hơn Sao Hải Vương. “Chúng tôi cho thấy rằng các mạng lưới thần kinh sâu của chúng tôi cung cấp một xấp xỉ rất tốt ở mức độ phần trăm,” Alibert tóm tắt. Các nhà nghiên cứu cung cấp kết quả của họ trên nền tảng phát triển phần mềm GitHub, để các đồng nghiệp làm việc trong việc hình thành hành tinh trên toàn thế giới được hưởng lợi từ họ.
Nguồn tin tức:
Tài liệu được cung cấp bởi Đại học Bern . Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.
Tạp chí tham khảo :