Система машинного обучения Массачусетского технологического института использует физические принципы и законы с целью автоматизации поиска экзопланет для программы NASA.

В рамках программы по выявлению отдаленных планет, на которых возможна жизнь, NASA запустило краудсорсинг-проект, в ходе которого добровольцы помогают искать изображения с телескопов, которые могут подтвердить наличие экзопланет возле определенной звезды.

Используя результаты этого проекта, исследователи из Массачусетского технологического института создали систему машинного обучения для выполнения аналогичного задания, так как масштабы поиска требуют автоматизации. NASA накопила в рамках миссии WISE (широкомасштабного инфракрасного исследования) около 750 млн источников света.

В тестах искусственный интеллект соглашался с человеческим решением по идентификации планеты на диске звезды в 97% случаев. Но также в MIT сказали, что их система добавила в список особо перспективных кандидатов для дальнейшего изучения 367 ранее не прошедших экспертизу экзопланет.

Новый подход к машинному обучению

Работа представляет собой необычный подход к машинному обучению. Как правило такие системы обрабатывают большие массивы данных и согласовывают корреляции между характеристиками данных и некой меткой, оставляемой человеком-аналитиком.

Но Виктор Панкратиус, научный сотрудник обсерватории Массачусетского технологического института сообщил, что для исследователей системы искусственного интеллекта станут намного полезнее, если освоят научное понимание, которое позволит им работать более самостоятельно:

Главное видение заключается в том, чтобы выйти за рамки того, на чем ИИ сегодня сосредоточен. Сегодня мы собираем данные, и получаем миллиарды и миллиарды функций. Так что с ними делать? Нам нужно, чтобы компьютер сам определял, что является важным.

Этот подход может принести много научных открытий, ведь ранее продуктивность изучения астрономических явления упиралась в количество работников, а теперь большинство процессов можно будет автоматизировать.