本文最初發表在 對話。 該出版物將文章貢獻給Space.com 專家聲音：專家和見解。
星星是我們宇宙建設的基本塊。大多數明星都期望行星，因為我們的太陽期望我們的太陽系，如果您看上去更廣泛，明星群體會構成 大型結構，例如聚類 和 星系。因此，在天體物理學家可以嘗試理解這些大規模結構之前，我們必須首先了解恆星的基本特性，例如它們的測量，半徑和溫度。
但是這些基本屬性的測量非常困難。這是因為恆星實際上是天文距離。如果我們的太陽是美國東海岸的籃球，那麼 最接近的恆星，Proxima那將是夏威夷的橙色。即使是世界上最大的望遠鏡也無法解決夏威夷的橙色。恆星射線和質量的測量似乎超出了科學家的範圍。
輸入二進制明星。軌道是兩顆星的系統，它們圍繞著相互質量旋轉。他們的動議是由 開普勒的和諧定律連接三個重要數量的：每個軌道的大小，它們在軌道上花費的時間，稱為軌道周期和總系統質量。
我是天文學家我的研究團隊努力將我們的方法推進了對二進制恆星和眾多恆星系統的理論理解和建模的方法。在過去的二十年中，我們還一直在開創使用人工智能來解釋這些基石天體對象的觀察。
測量恆星質量
天文學家可以輕鬆地測量軌道大小和二進制系統的周期，因此可以從觀察值中進行足夠的觀察，因此，通過這兩個部分，他們可以計算系統的總質量。開普勒的和諧定律是權衡天體的一種程度。
想想一個操場。如果兩個孩子的重量相同，他們將不得不坐在距中間點相同距離的地方。但是，如果一個孩子年紀大了，他或她將不得不坐在更靠近的地方，而最小的孩子離中間點。
與星星的同一件事：恆星越大的二進制量越大，中心越靠近，並且它旋轉越慢。當天文學家測量恆星移動的速度時，他們還可以顯示恆星軌道的大小以及需要稱重的恆星軌道。
測量出色的光線
不幸的是，開普勒的和諧定律並沒有告訴天文學家關於星星的任何信息。對於他們來說，天文學家依靠大自然的另一個重要特徵。
星星的二進制軌道是隨機定向的。有時，望遠鏡的查看線匹配了平面二進制軌道二進制系統。這種強大的延伸意味著，恆星在為中心旋轉時相互蝕。這些日食的形式使天文學家可以使用直接幾何形狀檢測星光。這些系統稱為 蝕二元星星。
在軌道上發現了與太陽相似的所有恆星中的一半以上，而日食軌道約佔全恆星的1％至2％。這聽起來很低，但是宇宙很寬，因此那裡有許多Eclipse系統 – 億萬 只有在我們的銀河系中。
通過觀察日食軌道，天文學家不僅可以測量恆星的質量和射線，而且可以測量它們的熱和亮度。
複雜的問題需要復雜的計算
即使使用Eclipse導軌，測量恆星的特性也不是一件容易的事。恆星旋轉並互相拉入二進制系統時變形。它們相互作用，彼此輻射，可能具有磁點和磁場，並且可以以這種方式彎曲。
為了研究它們，天文學家使用 複雜模型 有許多鍵和開關。作為輸入，模型採用參數 – 例如，恆星的形狀和大小，其軌道特性或它發行的光線如何 – 預測 作為觀察者，會看到這樣的日食二進制系統。
計算機型號需要時間。信息模型預測通常需要幾分鐘。為了確保我們可以信任他們，我們需要嘗試許多參數組合 – 通常數千萬。
這許多組合需要數億分鐘的計算器，以確定恆星的基本特性。這達到了200多年的計算機時間。
連接到集群的計算機可以更快地計算，但也使用計算機組，需要三個或更長時間才能“求解”或確定單個二進制的所有參數。這項挑戰解釋了為什麼天文學家只有大約300顆恆星對其基本參數進行準確的測量。
用於解決這些系統的模型已經高度優化，並且不能比現在更快。因此，研究人員需要一種全新的方法來減少計算時間。
使用深度學習
解決方案 我的研究團隊探索了 包括 深層 神經網絡。基本想法很簡單：我們想用基於它的速度更快的型號替換昂貴的物理模型。
首先，我們使用天文學家可以輕鬆觀察的特徵計算出有關假設二進制星的大型預測數據庫 – 我們更改了假設二進制恆星的性質。我們正在談論數億個參數組合。然後，我們將這些結果與當前的觀察結果進行了比較，以查看它們最匹配的結果。 IT和神經網絡非常適合此任務。
簡而言之， 神經網絡是地圖。他們設計了指定輸出中已知的某些輸入。在我們的情況下，他們在預期的預測中設計了日食導軌的特性。神經網絡模仿二進制的模式，但不必考慮物理模型的所有復雜性。
我們通過顯示數據庫中的任何預測以及用於生成它的屬性來訓練神經網絡。一旦經過全面訓練，神經網絡將能夠準確預測天文學家應從二元系統的性質中觀察到的內容。
與物理模型的執行時間相比，神經網絡使用人工智能在第二個的一小部分中獲得相同的結果。
收益的收穫
第二秒的一小部分在執行時間的折扣中運行約一百萬倍。這將在短短幾分鐘的一台筆記本電腦上從幾周到超級計算機的時間下降。這也意味著我們可以在計算機組的兩週內分析數十萬個二元系統。
這個著陸意味著我們可以得到 基本功能 – 恆星質量，射線，溫度和燈光 – 對於一個或兩個月內都觀察到的每個日食二元星。仍然存在的最大挑戰是表明它的結果確實提供了與物理模型相同的結果。
這項任務是我團隊的本質 新論文。在其中，我們已經表明，實際上，由IT指導的模型在99％的參數組合中給出了與物理模型相同的結果。這個結果意味著他 – 表現很強。我們的下一步？將其放在所有觀察到的移動軌道上。
最好的？當我們將此方法應用於導軌時，基本原理適用於那裡的任何復雜的物理模型。類似的模型他已經在加速了許多真實世界應用程序， 天氣預報 經過 股市分析。
