五项研究，人工智能助力地球科学与宇宙探索

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。

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》。