Toen MIT dit najaar het MIT Stephen A. Schwarzman College of Computing lanceerde, een van de doelen was om verdere innovatie op het gebied van computergebruik op alle MIT-scholen te stimuleren. Onderzoekers gaan al verder dan traditionele toepassingen van informatica en gebruiken deze technieken om een ​​reeks wetenschappelijke gebieden vooruit te helpen, van kankergeneeskunde tot antropologie tot ontwerp - en tot de ontdekking van nieuwe planeten.

Berekening is al nuttig gebleken voor de Transiting Exoplanet Survey Satellite (TESS), een door NASA gefinancierde missie onder leiding van MIT. Gelanceerd vanaf Cape Canaveral in april 2018, TESS is een satelliet die beelden maakt van de lucht terwijl deze om de aarde draait. Deze afbeeldingen kunnen onderzoekers helpen bij het vinden van planeten die rond sterren buiten onze zon draaien, exoplaneten genoemd. Dit werk, die nu voor de helft klaar is, zal meer onthullen over de andere planeten binnen wat NASA onze 'zonnebuurt' noemt.

"TESS heeft zojuist de eerste van zijn tweejarige eerste missie voltooid, het onderzoeken van de zuidelijke nachtelijke hemel, " zegt Sara Seager, een astrofysicus en planetaire wetenschapper aan het MIT en adjunct-directeur van de wetenschap voor TESS. "TESS gevonden meer dan 1, 000 planeetkandidaten en ongeveer 20 bevestigde planeten, sommige in systemen met meerdere planeten."

Hoewel TESS tot nu toe enkele indrukwekkende ontdekkingen mogelijk heeft gemaakt, het vinden van deze exoplaneten is geen eenvoudige taak. TESS verzamelt afbeeldingen van meer dan 200, 000 verre sterren, elke twee minuten een afbeelding van deze planeten opslaan, evenals het opslaan van een afbeelding van een grote strook lucht om de 30 minuten. Seager zegt om de twee weken, dat is hoe lang het duurt voordat de satelliet om de aarde draait, TESS stuurt ongeveer 350 gigabyte aan gegevens (eenmaal niet gecomprimeerd) naar de aarde. Hoewel Seager zegt dat dit niet zoveel gegevens zijn als mensen zouden verwachten (een Macbook Pro uit 2019 heeft tot 512 gigabyte aan opslagruimte), het analyseren van de gegevens omvat het in overweging nemen van veel complexe factoren.

Zeeger, die zegt dat ze al lang geïnteresseerd is in hoe berekeningen kunnen worden gebruikt als een hulpmiddel voor de wetenschap, begon het project te bespreken met Victor Pankratius, een voormalig hoofdonderzoeker in het Kavli Institute for Astrophysics and Space Research van MIT, die nu directeur en hoofd van wereldwijde software-engineering is bij Bosch Sensortec. Een opgeleide computerwetenschapper, Pankratius zegt dat na aankomst bij MIT in 2013, hij begon na te denken over wetenschappelijke velden die big data produceren, maar die nog niet volledig hebben geprofiteerd van computertechnieken. Na gesproken te hebben met astronomen als Seager, hij leerde meer over de gegevens die hun instrumenten verzamelen en raakte geïnteresseerd in het toepassen van computerondersteunde ontdekkingstechnieken bij het zoeken naar exoplaneten.

"Het universum is een grote plaats, "zegt Pankratius. "Dus ik denk dat het geweldig is om gebruik te maken van wat we hebben op het gebied van informatica."

Het basisidee dat ten grondslag ligt aan de missie van TESS is dat, net als ons eigen zonnestelsel, waarin de aarde en andere planeten rond een centrale ster (de zon) draaien, er zijn andere planeten buiten ons zonnestelsel die rond verschillende sterren draaien. De beelden die TESS verzamelt, produceren lichtcurven:gegevens die laten zien hoe de helderheid van de ster in de loop van de tijd verandert. Onderzoekers analyseren deze lichtcurven om dalingen in helderheid te vinden, wat erop zou kunnen duiden dat een planeet voor de ster passeert en tijdelijk een deel van zijn licht blokkeert.

"Elke keer dat een planeet om zijn baan draait, je zou deze helderheid zien afnemen, ' zegt Pankratius. 'Het is bijna als een hartslag.'

Het probleem is dat niet elke daling in helderheid noodzakelijkerwijs wordt veroorzaakt door een passerende planeet. Seager zegt dat machine learning momenteel een rol speelt tijdens de "triage" -fase van hun TESS-gegevensanalyse, hen te helpen onderscheid te maken tussen potentiële planeten en andere dingen die helderheidsdips kunnen veroorzaken, zoals veranderlijke sterren, die van nature variëren in hun helderheid, of instrumentgeluid.

Analyse van planeten die door triage gaan, wordt nog steeds gedaan door wetenschappers die hebben geleerd lichtkrommen te "lezen". Maar het team gebruikt nu duizenden lichtcurven die met het oog zijn geclassificeerd om neurale netwerken te leren hoe ze exoplaneettransities kunnen identificeren. Berekening helpt hen om te bepalen welke lichtkrommen ze in meer detail moeten onderzoeken. Liang Yu Ph.D. '19, een recent afgestudeerde natuurkunde, gebouwd op een bestaande code om de machine learning-tool te schrijven die het team nu gebruikt.

Hoewel het nuttig is om de meest relevante gegevens te vinden, Seager zegt dat machine learning nog niet kan worden gebruikt om eenvoudig exoplaneten te vinden. "We hebben nog veel werk te doen, " ze zegt.

Pankratius is het daarmee eens. "Wat we willen doen, is in feite computerondersteunde ontdekkingssystemen creëren die dit altijd voor alle [sterren] doen, "zegt hij. "Je wilt gewoon op een knop drukken en zeggen:laat me alles zien. Maar op dit moment zijn het nog steeds mensen met enige automatisering die al deze lichtcurven doorlichten."

Seager en Pankratius gaven ook samen een cursus die zich richtte op verschillende aspecten van de ontwikkeling van berekeningen en kunstmatige intelligentie (AI) in de planetaire wetenschap. Seager zegt dat inspiratie voor de cursus voortkwam uit een groeiende interesse van studenten om meer te weten te komen over AI en de toepassingen ervan tot geavanceerde datawetenschap.

in 2018, de cursus stelde studenten in staat om daadwerkelijke gegevens die door TESS zijn verzameld te gebruiken om machine learning-toepassingen voor deze gegevens te verkennen. Gemodelleerd naar een andere cursus die Seager en Pankratius gaven, studenten in de cursus waren in staat om een ​​wetenschappelijk probleem te kiezen en de rekenvaardigheden te leren om dat probleem op te lossen. In dit geval, studenten leerden over AI-technieken en toepassingen voor TESS. Seager zegt dat de studenten geweldig reageerden op de unieke klas.

"Als student, je zou echt een ontdekking kunnen doen, ", zegt Pankratius. "Je kunt een machine learning-algoritme bouwen, voer het uit op deze gegevens, en wie weet, misschien vind je iets nieuws."

Veel van de gegevens die TESS verzamelt, zijn ook direct beschikbaar als onderdeel van een groter burgerwetenschapsproject. Pankratius zegt dat iedereen met het juiste gereedschap zelf ontdekkingen kan doen. Dankzij cloudconnectiviteit, dit is zelfs mogelijk op een mobiele telefoon.

"Als je je verveelt tijdens je busrit naar huis, waarom niet naar planeten zoeken?" zegt hij.

Pankratius zegt dat dit soort samenwerking experts in elk domein in staat stelt hun kennis te delen en van elkaar te leren, in plaats van dat elk probeert verstrikt te raken in het veld van de ander.

"Overuren, wetenschap is gespecialiseerder geworden, dus we hebben manieren nodig om de specialisten beter te integreren, " zegt Pankratius. Het college van informatica zou kunnen helpen meer van dergelijke samenwerkingen te smeden, hij voegt toe. Pankratius zegt ook dat het onderzoekers kan aantrekken die op het snijvlak van deze disciplines werken, die lacunes in begrip tussen experts kan overbruggen.

Dit soort werk waarin computerwetenschap wordt geïntegreerd, wordt al steeds gebruikelijker in alle wetenschappelijke gebieden, Seager merkt op. "Machine learning is momenteel 'in de mode', " ze zegt.

Pankratius zegt dat dit deels komt omdat er meer bewijs is dat het gebruik van computerwetenschappelijke technieken een effectieve manier is om verschillende soorten problemen en groeiende datasets aan te pakken.

"We hebben nu op verschillende gebieden demonstraties dat de computerondersteunde ontdekkingsaanpak niet alleen werkt, "Zegt Pankratius. "Het leidt eigenlijk tot nieuwe ontdekkingen."