一区二区三区三上|欧美在线视频五区|国产午夜无码在线观看视频|亚洲国产裸体网站|无码成年人影视|亚洲AV亚洲AV|成人开心激情五月|欧美性爱内射视频|超碰人人干人人上|一区二区无码三区亚洲人区久久精品

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內(nèi)不再提示

利用谷歌的神經(jīng)網(wǎng)絡模型找到了“迷你太陽系”

mK5P_AItists ? 2018-01-02 08:53 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

概要:當?shù)貢r間12月15日,美國國家航空航天局NASA宣布在“行星獵手”開普勒望遠鏡的數(shù)據(jù)庫中找到了恒星“開普勒-90”周圍的第八顆行星,追平太陽系。

一個恒星周圍最多環(huán)繞幾顆恒星?一直以來,太陽系就是人類所知的行星數(shù)量最多的星系。當?shù)貢r間12月15日,美國國家航空航天局NASA宣布在“行星獵手”開普勒望遠鏡的數(shù)據(jù)庫中找到了恒星“開普勒-90”周圍的第八顆行星,追平太陽系。該星系遠在2545光年外的天龍座,八大行星相互距離壓縮得更近,儼然是迷你版的太陽系。

這項發(fā)現(xiàn)用到了谷歌的神經(jīng)網(wǎng)絡模型。

“開普勒-90”和太陽系一樣擁有八大行星 本文圖片均來自 NASA

通過神經(jīng)網(wǎng)絡模型,人工智能可以進行深度學習,即利用大量匹配的輸入-輸出值訓練計算機,使之自行發(fā)掘數(shù)據(jù)中的特征。這種曾令AlphaGo在棋盤上大殺四方的人工智能模型,如今開始在天文物理的海量數(shù)據(jù)中發(fā)揮用處?;蛟S正應了那句傳言:圍棋的變化組合,比宇宙中的原子數(shù)還要多。

發(fā)現(xiàn)新行星的方法是觀察“凌日”現(xiàn)象,即行星掠經(jīng)恒星表面時,會造成恒星亮度的下降。

“凌日”現(xiàn)象

2009年,“行星獵手”開普勒望遠鏡承載著人類尋找“第二地球”的夢想升空。它在2013年因“癱瘓”——一次嚴重的硬件故障結束了獵捕系外行星的任務,朝同一個方向凝視了4年。最近,NASA計劃讓它每80天轉(zhuǎn)動一下角度。

在“癱瘓”前的四年,開普勒望遠鏡積累了浩繁的數(shù)據(jù)。這份數(shù)據(jù)庫對科學家來說幾乎是難以窮盡的富礦。目前,人類從中找出了超過4000顆疑似的系外行星。

漏網(wǎng)之魚肯定存在。

已知恒星系統(tǒng)的行星數(shù)

克利斯朵夫·肖樂(Christopher Shallue)是谷歌人工智能團隊的一名資深軟件工程師,當他了解到天文學正在和許多其他學科一樣被大數(shù)據(jù)淹沒時,他想到了要用神經(jīng)網(wǎng)絡分析開普勒數(shù)據(jù)庫。

首先,研究者訓練計算機對人類已經(jīng)分析過的15000個開普勒信號進行訓練,當計算機能以96%的準確率識別凌日信號后,研究者用這個模型搜尋670個多行星系統(tǒng)中微弱的信號。他們認為,多行星的星系是尋找更多系統(tǒng)行星的最佳地點。

合作發(fā)現(xiàn)者NASA博士后安德魯·范登堡( Andrew Vanderburg)說道:“我們得到了許多假陽性信號,但真陽性更多。這就像沙中淘金。如果你用的網(wǎng)格更密,你會淘到更多的沙,但也可能淘到更多的金?!?/p>

肖樂和范登堡下一步打算用人工智能模型將整個開普勒數(shù)據(jù)庫篩一遍。里面包含超過15萬個信號。

開普勒之前(藍色)和開普勒(黃色)發(fā)現(xiàn)的系外行星

“正如我們所料,存檔的開普勒數(shù)據(jù)中還藏著許多激動人心的發(fā)現(xiàn),靜待合適的技術解鎖?!盢ASA天文物理部主任保羅·赫茲(Paul Hertz)說道?!斑@項發(fā)現(xiàn)意味著,我們的數(shù)據(jù)在未來可以成為研究者們的寶庫。”

新發(fā)現(xiàn)的“開普勒-90”第八行星——“開普勒-90i”是一顆灼熱的巖石星球,公轉(zhuǎn)周期14.4天。它比地球大30%,非??拷阈?,表面溫度與水星相當。

而“開普勒-90”系統(tǒng)最外圍的行星,“開普勒-90h”,軌道距離與地球相當。

“開普勒-90星系就像迷你版太陽系:里圈有小點的行星,外圈有大點的行星,但距離壓縮得更近,”范登堡說道。

迷你版太陽系:行星間距更近

除此之外,“開普勒-90”第六行星“開普勒-90g”也是通過這個人工智能模型找到的。它和四個比鄰行星的相互重力形成了諧振鏈,異常穩(wěn)定,如同此前發(fā)現(xiàn)的“葫蘆娃”七行星系統(tǒng)TRAPPIST-1。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 谷歌
    +關注

    關注

    27

    文章

    6231

    瀏覽量

    108075
  • 神經(jīng)網(wǎng)絡

    關注

    42

    文章

    4814

    瀏覽量

    103510
  • 人功智能
    +關注

    關注

    0

    文章

    1

    瀏覽量

    1131

原文標題:谷歌人工智能檢索開普勒望遠鏡數(shù)據(jù)后,找到了“迷你太陽系”

文章出處:【微信號:AItists,微信公眾號:人工智能學家】歡迎添加關注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關推薦
    熱點推薦

    無刷電機小波神經(jīng)網(wǎng)絡轉(zhuǎn)子位置檢測方法的研究

    摘要:論文通過對無刷電機數(shù)學模型的推導,得出轉(zhuǎn)角:與三相相電壓之間存在映射關系,因此構建了一個以三相相電壓為輸人,轉(zhuǎn)角為輸出的小波神經(jīng)網(wǎng)絡來實現(xiàn)轉(zhuǎn)角預測,并采用改進遺傳算法來訓練網(wǎng)絡結構與參數(shù),借助
    發(fā)表于 06-25 13:06

    神經(jīng)網(wǎng)絡專家系統(tǒng)在電機故障診斷中的應用

    的診斷誤差。仿真結果驗證了該算法的有效性。 純分享帖,需要者可點擊附件免費獲取完整資料~~~*附件:神經(jīng)網(wǎng)絡專家系統(tǒng)在電機故障診斷中的應用.pdf【免責聲明】本文網(wǎng)絡轉(zhuǎn)載,版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版
    發(fā)表于 06-16 22:09

    神經(jīng)網(wǎng)絡RAS在異步電機轉(zhuǎn)速估計中的仿真研究

    眾多方法中,由于其結構簡單,穩(wěn)定性好廣泛受到人們的重視,且已被用于產(chǎn)品開發(fā)。但是MRAS仍存在在低速區(qū)速度估計精度下降和對電動機參數(shù)變化非常敏感的問題。本文利用神經(jīng)網(wǎng)絡的特點,使估計更為簡單、快速
    發(fā)表于 06-16 21:54

    BP神經(jīng)網(wǎng)絡與卷積神經(jīng)網(wǎng)絡的比較

    BP神經(jīng)網(wǎng)絡與卷積神經(jīng)網(wǎng)絡在多個方面存在顯著差異,以下是對兩者的比較: 一、結構特點 BP神經(jīng)網(wǎng)絡 : BP神經(jīng)網(wǎng)絡是一種多層的前饋神經(jīng)網(wǎng)絡
    的頭像 發(fā)表于 02-12 15:53 ?648次閱讀

    如何優(yōu)化BP神經(jīng)網(wǎng)絡的學習率

    優(yōu)化BP神經(jīng)網(wǎng)絡的學習率是提高模型訓練效率和性能的關鍵步驟。以下是一些優(yōu)化BP神經(jīng)網(wǎng)絡學習率的方法: 一、理解學習率的重要性 學習率決定了模型參數(shù)在每次迭代時更新的幅度。過大的學習率可
    的頭像 發(fā)表于 02-12 15:51 ?919次閱讀

    BP神經(jīng)網(wǎng)絡的優(yōu)缺點分析

    BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network)作為一種常用的機器學習模型,具有顯著的優(yōu)點,同時也存在一些不容忽視的缺點。以下是對BP神經(jīng)網(wǎng)絡優(yōu)缺點的分析: 優(yōu)點
    的頭像 發(fā)表于 02-12 15:36 ?906次閱讀

    BP神經(jīng)網(wǎng)絡與深度學習的關系

    BP神經(jīng)網(wǎng)絡與深度學習之間存在著密切的關系,以下是對它們之間關系的介紹: 一、BP神經(jīng)網(wǎng)絡的基本概念 BP神經(jīng)網(wǎng)絡,即反向傳播神經(jīng)網(wǎng)絡(Backpropagation Neural N
    的頭像 發(fā)表于 02-12 15:15 ?846次閱讀

    如何訓練BP神經(jīng)網(wǎng)絡模型

    BP(Back Propagation)神經(jīng)網(wǎng)絡是一種經(jīng)典的人工神經(jīng)網(wǎng)絡模型,其訓練過程主要分為兩個階段:前向傳播和反向傳播。以下是訓練BP神經(jīng)網(wǎng)絡
    的頭像 發(fā)表于 02-12 15:10 ?896次閱讀

    人工神經(jīng)網(wǎng)絡的原理和多種神經(jīng)網(wǎng)絡架構方法

    在上一篇文章中,我們介紹了傳統(tǒng)機器學習的基礎知識和多種算法。在本文中,我們會介紹人工神經(jīng)網(wǎng)絡的原理和多種神經(jīng)網(wǎng)絡架構方法,供各位老師選擇。 01 人工神經(jīng)網(wǎng)絡 ? 人工神經(jīng)網(wǎng)絡
    的頭像 發(fā)表于 01-09 10:24 ?1177次閱讀
    人工<b class='flag-5'>神經(jīng)網(wǎng)絡</b>的原理和多種<b class='flag-5'>神經(jīng)網(wǎng)絡</b>架構方法

    卷積神經(jīng)網(wǎng)絡與傳統(tǒng)神經(jīng)網(wǎng)絡的比較

    在深度學習領域,神經(jīng)網(wǎng)絡模型被廣泛應用于各種任務,如圖像識別、自然語言處理和游戲智能等。其中,卷積神經(jīng)網(wǎng)絡(CNNs)和傳統(tǒng)神經(jīng)網(wǎng)絡是兩種常見的模型
    的頭像 發(fā)表于 11-15 14:53 ?1850次閱讀

    RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡的區(qū)別

    神經(jīng)網(wǎng)絡是機器學習領域中的一種強大工具,它們能夠模擬人腦處理信息的方式。隨著技術的發(fā)展,神經(jīng)網(wǎng)絡的類型也在不斷增加,其中循環(huán)神經(jīng)網(wǎng)絡(RNN)和傳統(tǒng)神經(jīng)網(wǎng)絡(如前饋
    的頭像 發(fā)表于 11-15 09:42 ?1122次閱讀

    matlab 神經(jīng)網(wǎng)絡 數(shù)學建模數(shù)值分析

    matlab神經(jīng)網(wǎng)絡 數(shù)學建模數(shù)值分析 精通的可以討論下
    發(fā)表于 09-18 15:14

    UNet模型屬于哪種神經(jīng)網(wǎng)絡

    U-Net模型屬于卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network, CNN)的一種特殊形式 。它最初由德國弗萊堡大學計算機科學系的研究人員在2015年提出,專為生物醫(yī)學圖像
    的頭像 發(fā)表于 07-24 10:59 ?5512次閱讀

    如何構建多層神經(jīng)網(wǎng)絡

    構建多層神經(jīng)網(wǎng)絡(MLP, Multi-Layer Perceptron)模型是一個在機器學習和深度學習領域廣泛使用的技術,尤其在處理分類和回歸問題時。在本文中,我們將深入探討如何從頭開始構建一個多層神經(jīng)網(wǎng)絡
    的頭像 發(fā)表于 07-19 17:19 ?1548次閱讀

    深度神經(jīng)網(wǎng)絡模型量化的基本方法

    深度神經(jīng)網(wǎng)絡模型量化是深度學習領域中的一種重要優(yōu)化技術,旨在通過減少模型參數(shù)的精度(即從高精度浮點數(shù)如32位浮點數(shù)FP32降低到低精度整數(shù)如8位整數(shù)INT8或更低)來降低模型的計算和存
    的頭像 發(fā)表于 07-15 11:26 ?1319次閱讀