Google AI Menemukan Dua Exoplanet Baru di Tata Surya Jauh Menggunakan Pembelajaran Mendalam

• Google menggunakan Deep Neural Network untuk menganalisis data Kepler. 
• Mereka menemukan dua eksoplanet baru – Kepler-90i dan Kepler-80g. 
• Model yang mereka kembangkan memiliki akurasi sekitar 96% dalam membedakan planet dan non-planet. 

Selama berabad-abad, orang telah mengamati bintang, memperhatikan beberapa pola, dan mencatat pengamatan. Salah satu benda pertama yang ditemukan di luar angkasa adalah planet, yang oleh orang Yunani disebut sebagai ‘pengembara’ atau ‘planētai’ karena pergerakannya yang tidak teratur. Lambat laun kami mengetahui bahwa tata surya kita menampung beberapa planet yang mengorbit Matahari.

Dengan bantuan teknologi modern seperti kamera digital, penerbangan luar angkasa, teleskop optik, dan komputer, kita dapat memperluas pengetahuan kita melampaui tata surya kita dan mendeteksi/mengidentifikasi planet yang berjarak ribuan tahun cahaya dari Bumi. Mereka disebut exoplanet – bagian dari tata surya lain yang berada jauh di luar angkasa.

Namun, menemukan planet ekstrasurya merupakan tugas yang sangat sulit. Berbeda dengan bintang induknya, mereka berukuran kecil, dingin, dan gelap. Saat ini, kami menggunakan teknik pembelajaran mesin untuk menemukan exoplanet secara akurat. Salah satu teknik tersebut digunakan oleh Google, dan mereka mendeteksi dua ekstoplanet, bernama Kepler 90i, yang mengorbit bintang katai kuning Kepler 90, dan Kepler-80g yang mengorbit Kepler 80. Mari kita cari tahu bagaimana mereka melakukannya.

Data yang Digunakan

Metode utama untuk mencari planet ekstrasurya adalah dengan menganalisis sejumlah besar data yang ditangkap oleh Teleskop Luar Angkasa Kepler NASA menggunakan analisis manual dan perangkat lunak otomatis. Dalam 4 tahun, teleskop mengamati sekitar 200.000 bintang, menangkap gambar setiap setengah jam. Satu-satunya instrumen ilmiah Kepler, Fotometer terus memantau kecerahan lebih dari 145.000 bintang deret utama dalam bidang pandang tetap. Data ini dikirim ke Bumi, dan kemudian diperiksa secara mendalam untuk mengidentifikasi peredupan periodik planet ekstrasurya yang disebabkan oleh orbitnya yang mengorbit bintang induknya.

Ini semua menghasilkan sekitar 14 miliar titik data, yang selanjutnya berarti sekitar 2 kuadriliun kemungkinan orbit planet. Bahkan komputer paling canggih sekalipun memerlukan waktu yang sangat lama untuk memproses data dalam jumlah besar ini. Untuk membuat proses ini lebih cepat dan efisien, Google menggunakan alat dan teknik Deep Learning.

Pendekatan Pembelajaran Mesin

Pembelajaran mesin adalah bentuk kecerdasan buatan yang mengajarkan komputer untuk mengenali pola tertentu. Ini secara khusus membantu dalam memahami data dalam jumlah besar. Di sini, idenya adalah memungkinkan mesin belajar melalui pelatihan dan contoh, bukan memprogramnya dengan aturan tertentu.

Kredit gambar:NASA

Pembelajaran mendalam, yang merupakan jenis pembelajaran mesin, menggunakan lapisan komputasi untuk membuat fitur kompleks progresif yang berguna untuk masalah klasifikasi. Misalnya, model klasifikasi gambaran mendalam mungkin terlebih dahulu mengenali fitur tepi sederhana yang selanjutnya dapat digunakan untuk mendeteksi sudut dan kurva, hingga lapisan fitur akhir model dapat membedakan objek kompleks.

Jaringan saraf dalam (jenis model pembelajaran mendalam) telah menjadi yang tercanggih dalam beberapa tugas, termasuk klasifikasi gambar. Seringkali kinerjanya lebih baik daripada model yang dikembangkan dengan fitur desain tangan. Jaringan neural dilatih untuk meminimalkan fungsi biaya yang mengukur seberapa jauh prediksinya terhadap label sebenarnya dari set pelatihan.

Tim Google AI menggunakan kumpulan data lebih dari 15.000 sinyal Kepler untuk membuat model TensorFlow guna membedakan planet dari benda angkasa lainnya. Untuk melakukan hal ini, sistem harus mendeteksi dan mengenali pola planet sebenarnya vs pola yang disebabkan oleh benda lain seperti bintang biner dan bintik bintang.

Mereka mengembangkan jaringan saraf dalam untuk secara otomatis memeriksa peristiwa penyeberangan ambang batas Kepler (TCE – mendeteksi sinyal periodik, yang mungkin konsisten dengan planet yang transit). Model ini menggunakan kurva cahaya sebagai masukan dan dilatih pada serangkaian TCE Kepler yang diklasifikasikan oleh manusia.

Tampilan masukan dimasukkan melalui kolom konvolusi terpisah – metode yang berhasil dalam klasifikasi gambar sebelumnya. Ia mampu membedakan benda-benda luar angkasa dengan akurasi yang lumayan – perbedaan halus antara planet ekstrasurya yang sedang transit dan hasil positif palsu seperti artefak instrumen, biner gerhana, dan variabilitas bintang.

Referensi:Harvard.edu

Hasil

Ketika model tersebut diuji pada sinyal, model tersebut dengan tepat membedakan sinyal yang dihasilkan oleh planet dan non-planet lainnya, dengan akurasi 96 persen. Selain itu, 98,8 persennya memberikan peringkat sinyal planet yang masuk akal lebih tinggi daripada sinyal positif palsu.

Baca:NASA Akan Menggunakan Kecerdasan Buatan Untuk Jaringan Komunikasi Luar Angkasa

Untuk mempersempit pencarian, mereka mengamati 670 bintang yang sudah memiliki dua atau lebih exoplanet. Saat memproses, mereka menemukan dua exoplanet baru – Kepler-90i dan Kepler-80g. Planet Kepler 90i berputar mengelilingi Kepler-90, sebuah bintang yang sebelumnya diketahui menampung 7 planet transit. Sedangkan Kepler-80g merupakan bagian dari 5 rantai planet yang mengelilingi bintang Kepler-80, dengan periode orbit yang hampir menyamai prediksi relasi 3 benda Laplace.

Hampir 13 persen lebih besar dari Bumi, Kepler-80g (planet terluar dalam sistemnya) memiliki periode orbit 14,6 hari dan kemiringan 89,35 +0,47- 0,98 derajat.

Kredit gambar:blog Google

Kepler-90i berukuran 34% lebih besar dari Bumi dengan periode orbit 14,45 hari. Jaraknya 2.545 tahun cahaya dari Bumi di konstelasi Draco. Letaknya di antara Kepler-90c (8,7 hari) dan Kepler-90d (59,7 hari) dengan suhu permukaan yang sangat panas – 436 °C.

Apa Selanjutnya?

Dalam hal kemungkinan jaringan saraf dalam, tidak ada batasnya. Dari 200.000 bintang, model yang digunakan untuk mencari hanya 670 bintang. Mungkin ada ratusan ribu exoplanet yang masih belum ditemukan dalam data Kepler. Teknik baru seperti pembelajaran mendalam akan membantu para astronom dan fisikawan mengungkap hal-hal yang berada di luar jangkauan manusia.

Baca:Kecerdasan Buatan Google Menciptakan AI yang Mengalahkan Kode Manusia

Model ini dapat dimodifikasi di masa mendatang untuk meningkatkan akurasinya dan mengurangi jenis positif palsu yang diketahui. Misalnya, kita bisa

• Meningkatkan set pelatihan yang menggabungkan data simulasi atau data tidak berlabel (model saat ini hanya menggunakan sekitar 15.000 contoh berlabel).
• Meningkatkan rutinitas penggemukan untuk mengurangi jumlah sinyal akibat variabilitas bintang yang diklasifikasikan sebagai kemungkinan planet.
• Tambahkan beberapa bentuk informasi pusat massa ke dalam representasi masukan untuk meningkatkan kemampuan sistem dalam mengklasifikasikan transit yang terjadi pada bintang latar, bukan pada bintang target.
• Bagi tampilan lokal menjadi beberapa segmen agar sistem dapat menganalisis konsistensi transit antara berbagai segmen kumpulan data.