1068
8
Машинное обучение используют для оценки возраста звезд
Исследователи из Кильского университета разработали метод машинного обучения, который помогает астрономам лучше оценивать возраст звезд по химическим веществам в их атмосферах. Новое исследование будет представлено на Национальной астрономической конференции 2023 года аспирантом Джорджем Уивером.
Возраст звезды определить очень трудно. Для оценки химического состава и возраста звезд астрономам приходиться делать измерения, основанные на свете, который мы получаем от звезд. Это легче сделать для больших групп звезд, которые эволюционируют вместе, и гораздо сложнее для одиночных звезд.
На самых ранних стадиях жизненного цикла звезды растущее тепло и давление могут изменить химический состав ее атмосферы. Одним из основных изменений является то, что количество лития в атмосфере со временем уменьшается в результате процесса, известного как "истощение лития". Существующие модели не в состоянии описать всю сложность этого эффекта.
Новая модель нейронной сети, являющаяся развитием предыдущей математической модели, известной как EAGLES, использует данные более чем 6000 звезд для моделирования взаимосвязи между температурой звезды, измеренным содержанием лития и возрастом.
Уже ведется работа по включению в модель гораздо большего объема данных. Проводятся испытания модели, учитывающей металличность звезд. Другие возможные расширения будут касаться замедления вращения звезды в течение ее жизни и уменьшения ее магнитной активности с течением времени.
Аспирант и первый автор готовящейся статьи Джордж Уивер объясняет: "Существует несколько независимых методов и моделей оценки возраста, но эта искусственная нейронная сеть дает нам возможность создать один комбинированный метод для оценки возраста звезды по спектральным измерениям. Это не только может привести к созданию модели "единого окна" для определения возраста звезд и скоплений, но также поможет нам количественно оценить и ограничить взаимосвязи между этими наблюдаемыми величинами и возрастом и, возможно, даже обнаружить новые взаимосвязи, о которых мы раньше не знали".
(Добавил: Rolf80)
к последнему комментарию
Возраст не измеряется, а выводится на основе сущуствующих моделей. Поэтому в обучающую выборку включены ошибки существующих моделей. Машинное обучение будет выдавать эти ошибки. Надо понимать ограничения метода нейросетей, а не совать модный метод во все дыры
".. Возраст не измеряется, а выводится ... а не совать модный метод.."
Это, конечно, так, но что делать с миллионами фотографий и петабайтами различных обзоров -- тут без машинной обработки по выделению каких-либо групп по тем или иным признакам не обойтись. Даже армия любителей, к которой иногда обращаются профессионалы, не поможет :-))
Пусть тренируются, не мешайте им, когда-нибудь и польза будет :-)))
Leonid3, конечно тренироваться на звездах лучше чем на людях, но как проверить результат? Итог может быть в тоннах макулатуры
А какие модели строят? Небось - регрессионные.
Наблюдений, включая и вычисленных - хоть отбавляй.
Линейная не подойдёт, можно квадратичную построить.
Можно и качественные оценки астрономов (через
ранжирование и шкалирование) в неё загнать.
Думаю, её адекватности натуре вполне может хватить.
На степень (причём, с последующим up grate) потянет
однозначно. В астрономии-то все оценки на воде
вилами писаны.
Автоматизация это вовсе не обязательно нейросеть. Более того, нейросеть довольно ресурсоемка.
«Возраст не измеряется, а выводится на основе существующих моделей» - к.1.
Вся проблема именно в том, что существующие ортодоксальные модели ядерных процессов официальной физики не соответствуют реальным ядерным процессам. Доказательств этому предостаточно. Начиная с энергетических результатов испытания царь-бомбы (результат значительно превзошел теоретический), и массой других примеров (непонятные науке взрывы атомных реакторов ЧАЭС и др., недостаток солнечных нейтрино (количества термоядерных реакций на Солнце), прикрытый искусственно придуманной теорией осцилляции, механизм и
параметры которой никто не предложил до сих пор, и т.д.). Совершенным особняком стоят реакции бета-распада, в которых только делается намек на двойные реакции, но почему-то совершенно не рассматривается возможность, например, лавинообразного захвата ядрами всех электронов. Причина простая. На уровне протонов, нейтронов, и валентных кварков данная задача не решается. Нужен переход на более глубокий уровень преонов (симплов). Иначе всё здание ядерной физики будет и дальше стоять на песке, что чревато новыми непредсказуемыми сюрпризами.
Это к корректности задачи нейросети не относится.
Набор терабайт экспериментальных данных, и «высасывание» из них статистических закономерностей в рамках существующих ортодоксальных моделей – это «переливание воды из пустого в порожнее», даже, если выводы делаются с помощью «машинного обучения» с использованием «искусственной нейронной сети». Вообще термин «машинное обучение» совершенно дурацкий западный термин, российский термин «автоматизация» гораздо лучше, только к нему надо добавлять соответствующую адекватную модель процесса.
Читайте AstroNews в Яндекс.Дзен