ニューラルネットワークは土星の嵐の構造を理解しました

ビデオ: ニューラルネットワークは土星の嵐の構造を理解しました

ビデオ: コスミィのサイエンスTV【木星・土星を見よう】 2022, 12月
ニューラルネットワークは土星の嵐の構造を理解しました
ニューラルネットワークは土星の嵐の構造を理解しました
Anonim
Image
Image

ニューラルネットワーク操作の結果、パラメータが異なる領域は色でマークされます

天文学者は、深層学習技術を使用して、土星の大気に関するデータを処理してきました。ニューラルネットワークは、荒れ狂う嵐について提供された情報の特徴を高精度で強調することができました。特に、このプログラムは、嵐の位置、周囲の嵐の領域、および乱されていない大気を強調することができます。開発されたアプローチは、古典的な方法を使用して分析するためにアクセスできないボリュームのデータを分析することを可能にします、著者はジャーナルNatureAstronomyに書いています。

研究宇宙船は、膨大なデータセットの収集を可能にする多種多様な機器で武装しています。特に、スペクトル観測は、惑星の大気の雲量の構造と組成、および惑星内の浮遊粒子を見つけるのに役立ちます。次に、この情報を使用して、惑星上の大規模なエネルギーの流れの特性と大気のダイナミクスを決定できます。

このような情報を処理する現在の方法は、通常、2つのアプローチのいずれかに基づいて構築されます。異なるスペクトルチャネルのフラックスを比較してスペクトルの特徴を決定するか、本格的な放射伝達モデルを構築します。前者は詳細な分析を行うには十分な精度がありませんが、後者は手間がかかり、拡張性が低くなります。

ロンドン大学ユニバーシティカレッジのインゴヴァルトマンとアリゾナ大学のケイトリングリフィスは、分光データ分析への新しいニューラルネットワークベースのアプローチがどのように機能するかを説明しています。 PlanetNetディープラーニング手法を使用して著者が作成したアルゴリズムは、大気の大きくて不均一な領域の詳細の空間的およびスペクトル的境界を迅速かつ正確に分離することができます。プログラムのパフォーマンスをテストするために、科学者は、カッシーニプローブの機器によって記録された、土星の大気で猛威を振るったいくつかの嵐と、2008年に近くの嵐を分析しました。

PlanetNetは、異常なS字型の雲を分離することに成功しました。これは、以前の研究では、土星の上層大気にアンモニアがまれに存在することに関連しています。さらに、プログラムは、この特徴が嵐の中央の暗い部分で観察される凍結アンモニアからのはるかに大きな上昇気流の一部であることを示しました。アルゴリズムはまた、嵐の中心領域と離れた大気との間に顕著な違いを発見しました。これは、嵐の中心でガスエンベロープのより深い層を観測する可能性を示しています。

著者は、2つの方法を使用してアルゴリズムの精度をテストしました。最初に、トレーニング中に、装置によって収集されたデータの30%が非表示になり、テストサンプルとして使用されました。プログラムは、これまで知られていなかった情報を90パーセントの精度で正しく分類しました。 2番目のアプローチでは、研究者は元のデータを大幅に変更し、ポイントの空間座標を混合し、スペクトルを隣接するものを補間した結果に変更しました。この場合、ニューラルネットワークは93%のケースで境界を正しく識別しました。

「カッシーニのようなミッションは膨大な量のデータを収集しますが、それらの分析に対する古典的なアプローチには、取得した情報の正確さまたは費やした時間のいずれかの点で欠点があります。ディープラーニングは、異種および複数のデータセットにわたるパターン認識を可能にします、とWaldmanは言います。 「これにより、広い領域にわたってさまざまな視野角から大気現象を分析する機会が得られます(軌道上での装置の動きによって発生します-注N + 1)。また、特徴の形状とそれらを決定する物理化学的性質。」

科学者たちは、彼らが開発しているアプローチにより、大量のデータを分析できるようになると信じています。これにより、雲などの特徴の大規模な分布のアイデアを得ることができ、さらに興味深い領域を強調することができます。放射伝達モデルを使用した従来の方法による詳細な研究。

天文学者は、データ処理を高速化し、新しい方法を開発するために、神経ネットワークを積極的に使用しています。特に、そのようなアルゴリズムは、太陽の磁場を決定するのに役立つだけでなく、原始惑星系円盤と月の新しいクレーターを検索するのに役立ちます。

トピックによって人気があります

人気の投稿