一个新出版的研究详细信息，天文学家如何转向称为“机器学习”的方法，以帮助他们了解大量恒星的性质。
天文学家正在招募机器的帮助，在我们的星系中划分成千上万的星星，并学习它们的尺寸，组成和其他基本特征。
该研究是越来越多的机器学习领域的一部分，其中计算机从大型数据集中学习，发现人类可能无法看到的模式。机器学习从媒体流式服务中的一切都预测到您要观看的内容，到邮局，计算机会自动读取手写地址并直接邮寄到正确的邮政编码。
现在天文学家正在转向机器，帮助他们确定基于天空调查图像的星星的基本属性。通常，这些细节需要光谱，这是将星光的详细筛选成不同波长。但是通过机器学习，计算机算法可以快速翻转可用的图像，识别揭示明星属性的模式。该技术有可能在相对较短的时间内和较少的费用收集有关数十亿颗恒星的信息。
“这就像视频流式服务不仅要预测未来所希望的内容，而且还要根据您的观看偏好，即加利福尼亚州帕萨迪纳·普拉德纳的喷气式推进实验室亚马·米勒说天体物理杂志中出现的研究结果的新报告。“我们预测星星的基本属性。”
米勒今天在西雅图的美国人天文学会会议上展示了结果。
机器学习以前应用于宇宙;是什么让这个最新的努力独特的是，使用随着时间的推移所采取的那些星星的图像，它是第一个预测诸如尺寸和金属含量的特定特征。这些特征对于学习当一个明星出生时，这些特征是必不可少的，以及自那个时间以来的改变方式。
米勒说：“随着有关我们银河系中的不同恒星的更多信息，我们可以更好地映射银河系的结构和历史。”
每天晚上，世界各地的望远镜都获得了成千上万的天空图像。预计新数据的洪水仅在即将到来的大型舞台调查望远镜（LSST），国家科学基金会和能源项目系，即将以智利为基础。该调查将每隔几个晚上映像整个可见的天空，收集数十亿星的数据以及其中一些星星如何随着时间的推移而改变亮度。美国宇航局的开普勒特派团已经抓住了数十万颗星星的同样不同的数据。
人类独自不能轻易理解所有这些数据。也就是说，在机器，或在这种情况下，使用专用算法的计算机可以提供帮助。
但在机器可以学习之前，他们首先需要一个“培训期”。米勒和他的同事始于9,000颗星作为他们的训练集。它们获得了这些恒星的光谱，其揭示了它们的几个基本性质：尺寸，温度和重型元素的量，例如铁。Sloan数字天空调查也记录了星星的不同亮度，从而产生称为光曲线的地块。通过馈送计算机两组数据，可以在星形属性和光曲线之间进行关联。
一旦训练阶段结束，计算机就能通过仅分析光曲线来对其他恒星进行预测。
“我们可以发现和分类新型恒星，无需光谱，这是昂贵且耗时的获得，”米勒说。
该技术基本上以与电子邮件垃圾邮件过滤器相同的方式工作。垃圾邮件过滤器被编程为识别与垃圾邮件相关联的关键词，然后删除包含这些单词的不需要的电子邮件。随着时间的推移，用户继续“教导”过滤程序更多关键词，并且该程序在过滤垃圾邮件时变得更好。米勒和协作者使用的机器学习程序同样在准确地预测星星的特性方面与天文学家的额外训练更好。
该团队的下一个目标是让他们的计算机智能足以处理LSST项目将观察到的超过5000万个变量恒星。
“这是将先进算法应用于天文学的激动人心的时刻，”米勒说。“机器学习使我们能够在深入数据集中享受稀有和模糊的宝石，即天文学家现在只开始获得。”
出版物：A. A. Miller等，“一种从光度光线曲线推断基本恒星参数的机器学习方法，2015，APJ，798,122; DOI：10.1088 / 0004-637X / 798 / 2/122
研究报告的PDF副本：一种从光度光曲线推断基本恒星参数的机器学习方法
图像：NASA / JPL-加州理工学院
