Artistieke impressie van exoplaneet KELT-11 b. Impressie doorway Léa Changeat., Auteur verstrekt
Weet jij waar de atmosfeer van de aarde uit bestaat? Je zou je waarschijnlijk herinneren dat het zuurstof is, en misschien stikstof. En fulfilled een beetje hulp van Google kun je gemakkelijk een nauwkeuriger antwoord krijgen: 78% stikstof, 21% zuurstof en 1% argongas. Als het echter gaat om de samenstelling van exo-atmosferen – de atmosferen van planeten buiten ons zonnestelsel – is het antwoord niet bekend. Dit is jammer, aangezien atmosferen de aard van planeten kunnen aangeven en of ze leven kunnen herbergen.
Omdat exoplaneten zo ver weg zijn, is het buitengewoon moeilijk gebleken om hun atmosfeer te onderzoeken. Onderzoek suggereert dat kunstmatige intelligentie (AI) misschien wel de beste keuze is om ze te verkennen, maar alleen als we kunnen aantonen dat deze algoritmen op betrouwbare, wetenschappelijke manieren denken in plaats van het systeem te bedriegen. Nu heeft ons nieuwe artikel, gepubliceerd in het Astrophysical Journal, geruststellend inzicht gegeven in hun mysterieuze logica.
Astronomen maken doorgaans gebruik van de transitmethode om exoplaneten te onderzoeken, waarbij dips in het licht van een ster worden gemeten wanneer een planeet ervoor passeert. Als er een atmosfeer op de planeet aanwezig is, kan deze ook een heel klein beetje licht absorberen. Door deze gebeurtenis op verschillende golflengten – kleuren van licht – te observeren, kunnen de vingerafdrukken van moleculen worden gezien in het geabsorbeerde sterlicht, waardoor herkenbare patronen worden gevormd in wat we een spectrum noemen.
Een typisch signaal geproduceerd door de atmosfeer van een planeet ter grootte van Jupiter vermindert het stellaire licht slechts achieved ~,01% als de ster op de zon lijkt. Planeten ter grootte van de aarde produceren 10-100 keer lagere signalen. Het is een beetje zoals het zien van de oogkleur van een kat vanuit een vliegtuig.
In de toekomst zullen de James Webb Place Telescope (JWST) en de Ariel Area Mission, beide sondes die exoplaneten vanuit hun baan in de ruimte zullen onderzoeken, helpen door hoogwaardige spectra te leveren voor duizenden exo-atmosferen. Maar hoewel wetenschappers hier enthousiast in excess of zijn, suggereert het laatste onderzoek dat het lastig kan zijn. Vanwege de complexe aard van atmosferen kan de analyse van een enkele transiterende planeet dagen of zelfs weken duren.
Uiteraard zijn onderzoekers op zoek gegaan naar alternatieve applications. AI staat bekend om hun vermogen om te assimileren en te leren van een grote hoeveelheid gegevens en hun uitstekende prestaties bij verschillende taken nadat ze zijn getraind. Wetenschappers hebben daarom geprobeerd AI te trainen om de overvloed aan verschillende chemische soorten in atmosferen te voorspellen.
Huidig onderzoek heeft uitgewezen dat AI’s zeer geschikt zijn voor deze taak. Wetenschappers zijn echter nauwgezet en sceptisch, en om te bewijzen dat dit echt het geval is, willen ze begrijpen hoe AI’s denken.
Gluren in de zwarte doos
In de wetenschap kan een theorie of een hulpmiddel niet worden overgenomen als het niet wordt begrepen. Je wilt tenslotte niet de opwinding meemaken van het ontdekken van leven op een exoplaneet, alleen maar om te beseffen dat het gewoon een “glitch” in de AI is. Het slechte nieuws is dat AI’s slecht zijn in het verklaren van hun eigen bevindingen. Zelfs AI-authorities vinden het moeilijk om te achterhalen waardoor het netwerk een bepaalde verklaring geeft. Dit nadeel heeft de adoptie van AI-technieken in de astronomie en andere wetenschappelijke gebieden vaak verhinderd.
We ontwikkelden een methode waarmee we een kijkje kunnen nemen in het besluitvormingsproces van AI. De aanpak is vrij intuïtief. Stel dat een AI moet bevestigen of een afbeelding een kat bevat. Het zou dit vermoedelijk doen door bepaalde kenmerken te herkennen, zoals vacht of gezichtsvorm. Om te begrijpen naar welke kenmerken het verwijst en in welke volgorde, kunnen we delen van het beeld van de kat vervagen en kijken of het nog steeds ziet dat het een kat is.
Hoe de voorspellingen van een AI werken voor een wazig kattenbeeld (klik op de afbeelding om deze te vergroten).
Auteur verstrekt
Dit is precies wat we hebben gedaan voor een exoplaneet-sonderende AI doorway regio’s van het spectrum te “verstoren” of te veranderen. Doorway te observeren hoe de voorspellingen van de AI in excess of de abundanties van exoplaneetmoleculen veranderden (zeg drinking water in de atmosfeer) toen elke regio werd gemanipuleerd, begonnen we een “beeld” op te bouwen van hoe de AI dacht, zoals welke regio’s van het spectrum het gebruikte voor het bepalen van het waterniveau in de atmosfeer.
We kunnen kenmerken die door de AI zijn gemarkeerd, combineren satisfied de originele afbeelding om een zogenaamde gevoeligheidskaart te produceren die de gebieden schetst die het nauwlettend in de gaten houdt.
Auteur verstrekt
Geruststellend voor ons astronomen, ontdekten we dat een goed opgeleide AI sterk afhankelijk is van fysieke verschijnselen, zoals unieke spectroscopische vingerafdrukken – net zoals een astronoom zou doen. Dit komt misschien niet als een verrassing, want waar kan de AI het anders van leren?
Als het op leren aankomt, verschilt AI in feite niet zo veel van een brutale middelbare scholier – het zal zijn very best doen om de moeilijke weg te vermijden (zoals het begrijpen van moeilijke wiskundige concepten) en snelkoppelingen vinden (zoals het onthouden van de wiskundige formules zonder te begrijpen waarom) om het juiste antwoord te krijgen.
Als de AI voorspellingen zou doen op basis van het onthouden van elk afzonderlijk spectrum dat het was tegengekomen, zou dat zeer onwenselijk zijn. We willen dat de AI zijn antwoord afleidt uit de gegevens en goed presteert op onbekende gegevens, niet alleen de trainingsgegevens waarvoor een suitable antwoord bestaat.
Deze bevinding was de eerste methode om stiekem een kijkje te nemen in zogenaamde “AI-black-boxes”, waardoor we konden evalueren wat de AI’s hebben geleerd. Satisfied deze resources kunnen onderzoekers nu niet alleen AI’s gebruiken om hun analyse van exo-atmosferen te versnellen, maar ze kunnen ook verifiëren dat hun AI goed begrepen natuurwetten gebruikt.
Dat gezegd hebbende, is het te vroeg om te beweren dat we AI’s volledig begrijpen. De volgende stap is om uit te zoeken hoe belangrijk elk concept precies is en hoe het wordt verwerkt tot beslissingen.
Het vooruitzicht is opwindend voor AI-experts, maar nog meer voor ons wetenschappers. De ongelooflijke leerkracht van AI komt voort uit het vermogen om een ”representatie”, of patroon, van de gegevens te leren – een techniek die vergelijkbaar is met hoe natuurkundigen natuurwetten hebben ontdekt om onze wereld beter te begrijpen. Toegang hebben tot de geest van AI kan ons daarom de mogelijkheid bieden om nieuwe, onontdekte natuurwetten te leren.
Kai Hou (Gordon) Yip ontvangt financiering van de European Analysis Council in het kader van het Horizon 2020 onderzoeks- en innovatieprogramma ExoAI van de Europese Unie en van de Science and Technology Funding Council (STFC).
Quentin Changeat ontvangt financiering van de European Exploration Council in het kader van het Horizon 2020-onderzoeks- en innovatieprogramma ExoAI van de Europese Unie, van de Science and Technologies Funding Council (STFC) en van de United kingdom House Agency (UKSA).