人工智慧如何判斷太陽這類紅巨星的未來

作者 Ahana Dave

無數光年外的繁星閃耀著光芒,其中有部分逐漸步入紅巨星的生命歷程。

其實並不容易準確判斷這些老化的星體到底是處於演化的哪個階段。

一群來自澳洲和丹麥的科學家訓練出一套深度學習系統,以預測 NASA 克卜勒任務所辨識出現有紅巨星的演化階段。這套有著 GPU 助力的系統大幅加快了他們的研究速度,也創下極佳的準確性。

人工智慧加快研究行星地震學的速度

紅巨星的兩個生命階段,從外側來看極為相似。年輕的紅巨星在氦核外側燃燒氫,年老的紅巨星則是開始在核心內燃燒氦。

新南威爾斯大學博士生,也是研究共同作者的 Marc Hon 指出,為區分這兩者,便出現了解讀頻譜以研究星體內部結構的行星地震學(asteroseismology)。

「星體震動頻率決定了組成星體的成分。我們觀察這些星體極為微小的光波動情況,以測量這些頻率。」Hon 說。

在稱為功率譜的頻率圖上顯示這些頻率,可以看到相較於氫殼燃燒的紅巨星,氦核燃燒的紅巨星在功率譜上顯示出更凌亂的圖形。視呈現出的圖形而定,人眼要數秒鐘的時間才能推斷出功率譜後星體的演化階段。

這或許聽起來不是花費太長時間,但要瞭解的是光是銀河系裡就有上兆顆星體,這也正是研究人員求助於深度學習演算法的原因。

「我用人工方式進行的話,得要至少5到10秒才能辨識出一個星體。深度學習演算法卻只要幾秒鐘就能對數千顆星體進行預測。」Hon 說。

人工智慧,專家之眼

研究人員決定將功率譜資料轉成深度學習系統能識別的圖形,獲得了更佳的資料分析結果、更快的回饋速度及 99% 的準確率。

人工智慧辨識出7,600個處於變化中的紅巨星,其中有5,400個是過去未曾分析過的星體,也修正了500個人工分類結果。

這套系統使用 cuDNN(CUDA 深度神經網路)函式庫建置而成,並且在裝有 NVIDIA Quadro 繪圖卡的工作站上進行訓練。

人工智慧此領域裡的未來發展方向

功率譜上的頻率不只顯示出紅巨星的演化階段,Hon 表示還能訓練人工智慧來解讀更多資訊,像是星體是否首次出現震動。

他們取得這些老化星體的演化階段資訊,研究人員便可利用他們的研究對紅巨星進行定位,以追蹤銀河系的結構和演化。

「我們可以運用深度學習來查看功率譜上的其它特徵,人工智慧還能告訴我們許多關於星體的其它事情。」Hon 說。

隨著資料集的擴大,他們的深度演算法也會變得更精準,讓他們能避開冗長又乏味的傳統作法。