Астрономы применили методы глубокого обучения для обработки данных об атмосфере Сатурна. Нейросеть смогла с высокой точностью выделить особенности в предоставленной информации о бушевавших штормах. В частности, программа способна выделять положение бурь, окружающие штормовые области и невозмущенную атмосферу. Разработанный подход позволяет проанализировать данные в объемах, недоступных для анализа с помощью классических методов, пишут авторы в журнале Nature Astronomy.
Исследовательские космические аппараты вооружены большим количеством разнообразных инструментов, которые позволяют собирать обширные наборы данных. В частности, спектральные наблюдения помогают узнать структуру и состав облачного покрова атмосфер планет, а также находящихся в них взвешенных частиц. Эту информацию, в свою очередь, можно использовать для выяснения характеристик крупномасштабных потоков энергии на планете и атмосферной динамики.
Текущие методы обработки такой информации обычно построены на одном из двух подходов: определение спектральных особенностей при помощи сравнения потоков в разных спектральных каналах или построение полноценных моделей переноса излучения. Первый недостаточно точен для детального анализа, а второй трудоемок и плохо масштабируется.
Инго Вальдман (Ingo Waldmann) из Университетского колледжа Лондона и Кейтлин Гриффит (Caitlin Griffith) из Аризонского университета описали принцип работы нового подхода к анализу спектроскопических данных на основе нейросетей. Созданный авторами алгоритм с применением методов глубокого обучения PlanetNet способен быстро и точно выделять пространственные и спектральные границы деталей на крупных и неоднородных участках атмосферы. В качестве проверки работоспособности программы ученые проанализировали несколько бушевавших в 2008 году в атмосфере Сатурна и расположенных рядом штормов, которые зафиксировали приборы зонда «Кассини».
PlanetNet успешно выделила необычное S-образное облако, которое в предыдущих исследованиях связывали с редким для Сатурна присутствием аммиака в верхних слоях атмосферы. Более того, программа указала, что эта особенность является частью намного более крупного восходящего потока облаков из замерзшего аммиака, который наблюдается в центральной темной части штормов. Также алгоритм обнаружил выраженное различие между центральными областями бурь и атмосферой поодаль, что говорит о возможности наблюдения более глубоких слоев газовой оболочки в самых центрах штормов.
Авторы проверили точность алгоритма двумя методами. В рамках первого при обучении скрывалось 30 процентов собранных аппаратом данных, которые затем использовались в качестве тестовой выборки. Программа с точностью в 90 процентов правильно классифицировала ранее неизвестную ей информацию. Для второго подхода исследователи значительно изменили исходные данные, перемешав пространственные координаты точек и поменяв спектры на результат интерполирования соседних. В таком случае нейросеть правильно определила границы в 93 процентах случаев.
«Миссии, подобные "Кассини", собирают колоссальные объемы данных, но классические подходы к их анализу обладают недостатками либо в плане точности извлекаемой информации, либо в плане затрачиваемого времени. Глубокое обучение позволяет реализовать распознавание образов в неоднородных и многочисленных наборах данных, — говорит Вальдман. — Это предоставляет нам возможность анализировать атмосферные явления на больших площадях и с разных углов обзора (которые возникают из-за движения аппарата по орбите — примечание N+1), а также устанавливать новые взаимосвязи между формой особенностей и определяющими их физико-химическими свойствами».
Ученые считают, что развиваемый ими подход позволит анализировать большие объемы данных, что позволит как получить представление о крупномасштабном распределении особенностей, таких как облака, так и выделить наиболее интересные области для дальнейшего детального исследования традиционными методами при помощи моделей переноса излучения.
Астрономы активно используют нейросети для ускорения обработки данных и развития новых методов. В частности, такие алгоритмы помогают определять магнитные поля на Солнце, а также искать протопланетные диски и новые кратеры на Луне.