封面新聞記者 寧寧
當地時間12月14日,美國國家航空航天局(NASA)召開媒體電話會議宣布新發現。NASA宣布使用克卜勒太空望遠鏡在遙遠的一個恆星系統克卜勒90中發現了第八顆行星,命名為克卜勒-90i。
克卜勒-90星系是克卜勒太空望遠鏡發現的第90顆恆星,距離地球2545光年。據報導,這是科學家首度確認還有像太陽一樣的恆星擁有8顆行星,克卜勒-90i的存在,意味著克卜勒-90星系擁有與太陽系一樣多的行星,猶如「第二個太陽系」,同時,科學家發現,克卜勒-90星系的8顆行星距離恆星都很近,像一個「迷你版」的太陽系。
這次發現得益於人工智慧的神助攻,研究人員藉助於谷歌的機器學習系統完成這一發現,機器學習是一種實現人工智慧的方法,現在科學家們可以藉助其分析克卜勒太空望遠鏡的數據。這個新發現有助於科學家在外星生命研究中取得新突破。
這項發現讓人興奮不已,同時,人們也產生了許多疑問。為此,NASA在美國著名社交論壇Reddit上開貼,讓關心此發現的人提出他們的問題,NASA以及谷歌公司的人工智慧工程師在線回答了這些疑問。
NASA在Reddit上開貼解惑答疑
去太陽系外最近一個行星需要多久時間?
美國拉斯維加斯珊瑚科學院4年紀的老師Shiver先生:我的學生想知道,去到我們太陽系外最近的一個行星需要多長時間?
NASA:這是一個好問題。我們太陽系網最近的一個行星離我們有4.2光年遠。因此,就算以光速飛行,也要4.2年才能抵達。更別說我們不能以光速飛行了。如今,我們在發現太陽系外的行星方面已經非常熟練了,但是關於拜訪這些行星,我們還得花些大功夫。也許得等到你的學生長大後才能實施了。
網友skiboy625:目前觀察到了多少別的太陽系?它們是否有可能存在生命的行星呢?
NASA:在執行主要任務時,克卜勒太空望遠鏡觀察到了超過15萬顆星星,關於它們的數據還在分析之中。克卜勒2也還觀察到了20顆別的星星。目前,基於SPECULOOS、MEarth等望遠鏡,尋找其他行星的工作正在展開,但還不知道哪顆星星上可能存在生命。比如,在我們的太陽系中,火星、地球和金星都顯示有「適合生命存在」的區域,但生命只單單存在在地球上。
Kepler-90與其行星間的距離要近得多
網友SentientStardust96:這個有8顆行星的恆星系統克卜勒90的組成部分與太陽系一樣嗎?
NASA:與太陽和大部分的行星相同,克卜勒90大部分也是由氫氣和氦氣組成。碰巧的是,它還含有一些重元素,如鐵,這一比例大約為25%左右。
網友Tank_Digravio:這些行星有我們太陽系中的月亮嗎?因為,如果我們沒有月亮,地球上的生命就不是我們現在知道的這樣了?
NASA:我們不知道有沒有月亮。理論上,行星通過月亮可能會給行星的照明度帶來變化,但這一信號的影響很小。科學家們已經在外星球附近尋找月亮了。克卜勒獲得的數據裡面提示外星月亮可能存在,但一切都還沒有確定。
網友mrspengiuns:你認為藉助人工智慧的幫助,我們現在有最大的可能發現外星人嗎?
NASA:是的,這也是我想問的。
機器學習模型準確率達96%
網友Spider-Man-2099:谷歌公司的人工智慧在處理從克卜勒太空望遠鏡上搜集到的數據時遇到了些什麼問題?用克卜勒太空望遠鏡你們發現了哪些有趣的行星或者地外生命呢?有沒有用到谷歌的人工智慧來篩選數據呢?
谷歌工程師Chris Shallue:遇到的一個有趣的問題就是從米庫爾斯基檔案空間望遠鏡上下載數據。在谷歌,我們只是簡單地從公開網站上下載數據。但是,克卜勒的數據設置十分龐大,花了我們兩周左右的時間來下載,下載下來居然還不適配我的桌上型電腦。
研究人員將利用人工智慧技術,對由克卜勒太空望遠鏡收集的15萬顆恆星數據組成的資料庫進行分析
網友GloriousDawn:此次發現和谷歌的機器學習系統能讓我們領悟到什麼特別的東西嗎?會對下一代的行星尋找儀器的設計產生什麼影響呢?
谷歌工程師Chris Shallue:今天的發現結果強調了行星系統呈現多種方式的排列,其中,還有很多是我們現在還未了解的。這也展示了除了設計和建造功能更加強大的望遠鏡,開發和利用複雜的算法也是相當重要的。
網友Urben1680:你們已經在發現外星上使用機器學習了,我的問題是你們能說說在使用該系統時會可能出現哪些錯誤呢?要是不知道這些人工智慧真正有多好,那麼取得的科學價值就會大大減值嗎?
谷歌工程師Chris Shallue:當我們開發機器學習模型時,我們一般拿出一部分已經標記好的實驗數據,大約10%的數據,在實驗過程中我們並不展現模型。等到模型實驗完畢,我們用之前那10%的數據來測試數據在模型上的表現,這是以前從未有過的。在這種情況下,我們發現在實驗10%的數據時,我們的模型準確率達到了96%,也就達到了實驗的目的。
就理解機器學習系統來說,我們確實有一些技術用於檢測我們模型的內部以及幫助理解機器學習系統作出特定決定的原因。在這種情況下,我們開發了一些方法來使克卜勒信號起作用的神經系統可視化。
總的來說,神經系統並不是從來不可理解的,這是一個全新的研究領域,需要進一步開發工具來檢測和理解這些神經系統。目前,我們正在一點點取得進展,比如設計透明的機器學習,可視化ML系統學習「國際語言」多語言神經的翻譯以及其他更多的東西。