IT思维

公众号/ ScienceAI（ID：Philosophyai）

编辑 | 萝卜皮

目录

新的深度学习方法在开普勒的总数中增加了 301 颗行星

神经网络实时分析引力波

科学家揭示了氢模型机器学习的局限性

人工智能学会预测太阳通量

机器学习算法帮助科学家探索火星

新的深度学习方法在开普勒的总数中增加了 301 颗行星

科学家们最近在系外行星总数中增加了多达 301 颗新验证的系外行星。行星群是最新加入 4,569 颗已验证的行星，它们围绕着众多遥远的恒星运行。这要归功于一个由 NASA 艾姆斯研究中心的研究人员开发的名为 ExoMiner 的新深度神经网络。

ExoMiner 是一种新的深度神经网络，它利用 NASA 的超级计算机 Pleiades，可以将真实的系外行星与不同类型的冒名顶替者或「误报」区分开来。它的设计灵感来自人类专家用来确认新系外行星的各种测试和特性。

相关报道：https://phys.org/news/2021-11-deep-method-planets-kepler-total.html

神经网络实时分析引力波

马克斯·普朗克智能系统研究所的研究人员，展示了通过深度学习进行快速引力波参数估计的前所未有的准确性。使用神经网络作为贝叶斯后验分布的替代物，研究人员分析了第一个 LIGO-Virgo 引力波瞬态目录中的八个引力波事件，发现与标准推理代码非常接近的定量一致性，但每个事件的推理时间从 O（天）减少到 20 秒。

该网络使用模拟数据进行训练，包括对事件附近检测器噪声特性的估计。这会在数百万个神经网络参数中对信号和噪声模型进行编码，并能够对与训练分布一致的任何观察到的数据进行推断，从而解释事件之间的噪声非平稳性。

该团队的算法——称为「DINGO」——为快速准确推断探测到的引力波事件的物理参数树立了新标准，它应该能够在不牺牲准确性的情况下进行实时数据分析。

该研究以「Real-Time Gravitational Wave Science with Neural Posterior Estimation」为题，于 2021 年 12 月 8 日发布在《PHYSICAL REVIEW LETTERS》。

论文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.241103

相关报道：https://techxplore.com/news/2021-12-neural-network-gravitational-real.html

科学家揭示了氢模型机器学习的局限性

氢是宇宙中最丰富的元素之一。

在地球上，氢气通常是一种气体。但是当它处于高温和高压下时——许多行星中存在的条件，比如木星——氢会经历一系列相变并呈现液态金属的特性。它具有的金属特性之一是成为电导体。

罗切斯特大学激光能量学实验室（LLE）的研究人员在《Nature》的「Matters Aising」中发表了一篇新论文，回应 2020 年的《Nature》论文「Evidence for supercritical behaviour of high-pressure liquid hydrogen」。论文使用机器学习技术研究稠密氢从绝缘液体到液态金属的液液相变。

在他们的回复中，Karasiev 和他的同事概述了这些机器学习技术如何在描述氢的相变时产生不正确的结果。他们的研究对于建立更准确的计算机模型来研究氢具有重要意义，这可以更好地了解行星和恒星的内部以及核聚变等过程的物理特性。

该研究以「On the liquid–liquid phase transition of dense hydrogen」为题，于 2021 年 12 月 15 日发布在《Nature》。

论文链接：https://www.nature.com/articles/s41586-021-04078-x

相关报道：https://phys.org/news/2021-12-scientists-reveal-limits-machine-hydrogen.html

人工智能学会预测太阳通量

大气阻力对航天器动力学的影响被认为是近地轨道不确定性的主要来源之一。这些影响的部分特征在于大气密度，这是一个与太空天气高度相关的数量。目前的大气模型通常通过代理指数（如F10.7）来解释这一点。但由于太阳射电通量预测的变化在短短几天内导致了显著的轨道差异，因此，对这些量的预测是准确估计未来阻力条件以及轨道预测的一个限制因素。

马德里理工大学的研究人员在这项工作中，用于单变量时间序列预测的新型深度残差架构 N-BEATS 用于在与空间操作相关的前几天时间尺度上预测 F10.7 太阳代理。这种未经定制的纯深度学习方法最近在时间序列预测竞赛中取得了最先进的性能，在一系列领域中优于成熟的统计模型以及统计混合模型。该方法被发现在最多提前 27 天的单点预测中是有效的，并且还被扩展为使用深度集合生成预测不确定性估计。

然后将这些预测与持久性基线和两个可操作的预测进行比较：一个统计（由 BGS、ESA 提供）和一个多通量神经网络（由 CLS、CNES 提供）。结果发现，尽管仅从单个变量中学习，N-BEATS 模型系统地优于基线和统计方法，并且实现了与多通量神经网络方法的改进或相似的性能。

该研究以「A deep learning approach to solar radio flux forecasting」为题，于 2021 年 8 月 8 日发布在《Acta Astronautica》。

论文链接：https://www.sciencedirect.com/science/article/pii/S009457652100415X?via%3Dihub

相关报道：https://phys.org/news/2022-01-artificial-intelligence-solar-flux.html

机器学习算法帮助科学家探索火星

自 2012 年 8 月着陆以来，火星科学实验室（MSL）好奇号火星车上的化学和相机（ChemCam）仪器收集了非常庞大且独特的火星原位光谱和图像数据集。迄今为止，ChemCam 返回了在 2,500 多个单独目标上测量的超过 800,000 个单次激光诱导击穿光谱（LIBS）光谱。这样的数据集非常适合应用统计方法来识别人类难以观察到的模式。

法国天体物理学和平面学研究所的研究人员，开发了一种依靠特征提取方法非负矩阵分解（NMF）和重复 k 均值聚类来对 ChemCam 光谱进行分类的方法。发现重复之间的聚类结果具有很强的一致性，这使研究人员能够识别出六个聚类，这些聚类代表迄今为止在 Gale 陨石坑中由 ChemCam 测量的主要成分。

通过跟踪从着陆到 sol 2756 的漫游者穿越的星团，研究人员能够从 ChemCam 的角度提供 Gale 陨石坑的化学地层概览。主要地质组（如布拉德伯里组和夏普组）之间的过渡是可识别的，表明它们在成分上是不同的，与以前的工作一致。

其成员之间的组成差异也出现在结果中。此外，第一种方法是使用获得的集群分配训练和验证随机森林分类器，揭示了预测在 sol 2756 之后获得的新 ChemCam LIBS 数据的集群成员的有希望的结果。

该研究以「Clustering Supported Classification of ChemCam Data From Gale Crater, Mars」为题，于 2021 年 10 月 15 日发布在《Earth and Space Science》。

论文链接：https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2021EA001903

相关报道：https://phys.org/news/2022-01-machine-algorithms-scientists-explore-mars.html