Category: it

Category was added automatically. Read all entries about "it".

Астрономия, космос, вселенная

Boeing завершил тест ПО для второго испытательного полета Starliner

Boeing завершил тест ПО для второго испытательного полета Starliner
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20210121212529
Компания Boeing недавно завершила официальное тестирование своего полетного программного обеспечения для CST-100 Starliner в рамках подготовки к следующему полету. Автономный космический корабль полетит к Международной космической станции во время второго летного испытания без экипажа, Orbital Flight Test-2, в марте, перед первым полетом с экипажем с астронавтами НАСА в конце этого года.
Команды в Хьюстоне и по всей стране провели полную проверку полетного программного обеспечения Starliner.
«Работа, которую команда приложила к нашему программному обеспечению, является определяющим моментом для программы», - сказал Джон Воллмер, вице-президент и руководитель программы Starliner.
Команда начала с оценки требований к программному обеспечению Starliner и тестирования, связанного с его проверкой. Были проведены дополнительные оценки для проверки полной интеграции программного обеспечения со всем рекомендованным летным оборудованием. Инженеры-программисты также проверили все симуляторы и эмуляторы, чтобы убедиться, что они являются точными моделями.
Затем команда провела серию тестов, чтобы подтвердить, что обновленное программное обеспечение Starliner соответствует проектным требованиям. Они также провели статические и динамические тесты в лаборатории интеграции программного обеспечения.
«Продолжая выполнять все важные этапы проверок, мы остаемся верны нашим ценностям безопасности, качества и целостности», - сказал Фоллмер. «Завершение OFT-2 приближает нас на один шаг к нашей конечной цели по доставке астронавтов на Международную космическую станцию ​​и обратно в этом году».
Астрономия, космос, вселенная

Искусственный интеллект помогает подсчитывать кратеры на Луне

Искусственный интеллект помогает подсчитывать кратеры на Луне
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20201228100035
Международная команда исследователей использовала алгоритмы машинного обучения для подсчета и нанесения на карту более чем 100 000 лунных кратеров.
Предыдущие работы по идентификации и локализации кратеров на Луне показали, что этот процесс является очень долгим – обычно он выполнялся вручную, путем изучения фотографий и последующего составления карт с использованием полученной информации. В новом исследовании ученые нашли способ существенно ускорить этот процесс, обучив компьютер идентификации кратеров и их дальнейшему подсчету.
Обучение компьютера распознаванию кратеров представляет собой непростой процесс, поскольку кратеры могут принимать различные формы. Не все кратеры представляют собой правильные кольца, при этом все кратеры имеют разный возраст, и следовательно, у наиболее древних кратеров определяющие характеристики «размылись» под действием эрозионных процессов. Ученые хотели составить карту расположения всех кратеров на поверхности Луны и датировать каждый кратер – чтобы получить мощный инструмент для изучения истории нашей Солнечной системы.
Этот новый подход включал «тренировку» алгоритма машинного обучения на распознавание основ структуры кратера. Затем алгоритм был «обучен» распознаванию кратеров в более широком контексте, на основе анализа данных, полученных при помощи китайских лунных орбитальных аппаратов «Чанъэ-1» и «Чанъэ-2». После того как обучение системы было окончательно завершено, исследователи применили ее к анализу данных, собранных при помощи спускаемого аппарата «Чанъэ-5», являвшегося частью китайской миссии по возврату образцов грунта с поверхности Луны. Алгоритм машинного обучения использовал эти данные для идентификации и подсчета кратеров на средних и низких лунных широтах. Эта новая система насчитала в общей сложности 109 956 кратеров – намного больше, чем когда-либо было насчитано для Луны. Она также позволила установить точное местоположение каждого из кратеров и примерный возраст, исходя из степени эрозии основных структ
Астрономия, космос, вселенная

Машинное обучение дает возможность изучать места, в которых образуются звезды

Машинное обучение дает возможность изучать места, в которых образуются звезды
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20201119160231
Искусственный интеллект может позволить увидеть астрофизические явления, которые ранее было невозможно исследовать. В настоящее время подобный искусственный интеллект был продемонстрирован учёными из CNRS, IRAM, и других организаций, работающих вместе в программе ORION-B.
Газовые облака, в которых образуются и развиваются звезды, представляют собой обширные области, чрезвычайно богатые материей, а, следовательно, и физическими процессами. Все эти процессы переплетаются в разных масштабах, временах и размерах, что делает практически невозможным исследование данных областей, так называемых звездных питомников. Однако ученые из программы ORION-B заявили, что искусственный интеллект может помочь разрушить барьеры, все еще стоящие на пути их исследований в области астрофизики.
С целью обеспечения наиболее детального анализа молекулярного облака Ориона, одного из ближайших к Земле звездообразующих регионов, команда ORION-B включила в свои ряды ученых, специализирующихся на массивной обработке данных. Это позволило им разработать новые методы, основанные на статистическом обучении и машинном обучении для изучения облака Ориона, сделанных на 240 000 частотах света.
Основываясь на алгоритмах искусственного интеллекта, эти инструменты позволяют извлекать новую информацию из большой массы данных, таких как данные, используемые в проекте ORION-B. Это позволило ученым раскрыть определенное количество характеристик, управляющих молекулярным облаком Ориона.
Например, они смогли обнаружить связь между светом, испускаемым определенными молекулами, и информацией, которая ранее была недоступна, а именно количеством водорода и свободных электронов в облаке, которое они смогли отследить с помощью искусственного интеллекта. Проанализировав все имеющиеся в их распоряжении данные, исследовательская группа также смогла определить пути дальнейшего улучшения своих наблюдений путем устранения определенного количества нежелательной информации.
Теперь команды ORION-B хотят провери
Астрономия, космос, вселенная

Искусственный интеллект помогает ученым открывать свежие кратеры на Марсе

Искусственный интеллект помогает ученым открывать свежие кратеры на Марсе
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20201002141509
В мае 2012 года метеор пролетел по марсианскому небу и разлетелся на части, врезавшись в поверхность планеты. Образовавшиеся кратеры были относительно небольшими - всего 4 метра в диаметре. Чем меньше объекты, тем труднее их обнаружить с помощью марсианских орбитальных аппаратов. Но в этом случае - и впервые - ученые заметили их с небольшой дополнительной помощью: искусственного интеллекта (ИИ).
Это важная веха для планетологов и исследователей искусственного интеллекта из Лаборатории реактивного движения НАСА в Южной Калифорнии, которые вместе работали над созданием инструмента машинного обучения, который помог сделать это открытие. Это достижение дает надежду как на экономию времени, так и на увеличение объема находок.
Обычно ученые проводят часы каждый день, изучая изображения, полученные с помощью орбитального аппарата NASA Mars Reconnaissance Orbiter (MRO), в поисках изменяющихся явлений на поверхности, таких как пылевые дьяволы, лавины и смещающиеся дюны. За 14 лет работы орбитального аппарата на Марсе ученые полагались на данные MRO, чтобы найти более 1000 новых кратеров. Обычно они сначала обнаруживаются с помощью контекстной камеры космического корабля, которая делает снимки с низким разрешением, охватывающие сотни километров за раз.
На этих изображениях будут выделяться только следы взрыва вокруг места удара, а не отдельные кратеры, поэтому следующим шагом будет более подробный анализ с помощью научного эксперимента по визуализации изображений с высоким раз
Астрономия, космос, вселенная

Открыто пять новых гигантских радиогалактик

Открыто пять новых гигантских радиогалактик
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20200917045250
Используя помощь астрономов-любителей, исследователи обнаружили пять новых гигантских радиогалактик. Эти галактики имеют размеры от 2,3 до 2,6 миллиона световых лет и характеризуются красными смещениями в диапазоне от 0,28 до 0,43.
Гигантские радиогалактики представляют собой радиогалактики, общая спроецированная линейная длина которых превосходит 2,28 миллиона световых лет. Они являются редкими объектами, рост которых происходит в разреженной среде. Гигантские радиогалактики имеют большое значение для изучения формирования и эволюции радиоисточников.
В новой работе команда, возглавляемая Хунмином Таном (Hongming Tang) из Манчестерского университета, Соединенное Королевство, сообщает о пяти прежде неизвестных гигантских радиогалактиках. Это обнаружение стало возможным, благодаря базе данных Data Release 1 (DR1) любительского астрономического проекта Radio Galaxy Zoo (RGZ). База данных RGZ DR1 представляет собой каталог радиогалактик с выполненными вручную перекрестными сравнениями, над составлением которого работали свыше 12 000 добровольцев.
Эти вновь обнаруженные гигантские радиогалактики получили соответственно обозначения J0941+3126, J1331+2557, J1402+2442, J1421+1016 и J1646+3627. Все они имеют относительно высокую светимость в радиодиапазоне и, вероятно, представляют собой эллиптические галактики или дисковые галактики переходного типа.
Галактика J1402+2442 является самой крупной среди этих пяти вновь обнаруженных гигантских радиогалактик. Она имеет красное смещение примерно 0,337 и связана с тесной парой галактик, обозначаемых как SDSS J140224.25+244224.3 и SDSS J140224.31+244226.8. Наименьший размер среди обнаруженных гигантских радиогалактик имеет галактика J0941+3126, красное смещение которой составляет около 0,28.
В случае галактики J1646+3627, гигантской радиогалактики, имеющей размер порядка 2,46 миллиона световых лет и красное смещение около 0,43, исследователи нашли, что этот объект также является самой яркой галактикой скопления галактик GMBCG J251.67741+36.45295. Эти находки мотивировали команду Тана провести более глубокое изучение самых ярких галактик различных галактических скоплений. По результатам проведенной работы исследователи сообщают о том, что 13 прежде известных гигантских радиогалактик могут быть отнесены к числу кандидатов на роль самых ярких галактик галактических скоплений.
Исследование появилось на сервере предварительных научных публикаций arxiv.org.
Астрономия, космос, вселенная

Алгоритм машинного обучения впервые помог подтвердить 50 новых экзопланет

Алгоритм машинного обучения впервые помог подтвердить 50 новых экзопланет
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20200826151538
50 новых потенциальных экзопланет было подтверждено при помощи нового алгоритма машинного обучения, разработанного учеными из Уорикского университета, Великобритания, во главе с Дэвидом Дж. Армстронгом (David J Armstrong).
Впервые астрономы использовали процесс, основанный на машинном обучении, представляющем собой одну из форм искусственного интеллекта, для анализа набора из потенциальных планет и определили, какие из планет являются реальными, а какие – представляют собой ложноположительные ошибочные результаты. Для этого исследователи рассчитали вероятность того, что планета-кандидат окажется истинной планетой, для каждой планеты-кандидата из изученного набора.
Также в своей работе авторы провели первое крупное сравнение различных современных методов подтверждения планет-кандидатов и пришли к выводу, что оптимальным является синергетическое использование сразу нескольких методик, включая предлагаемый ими алгоритм машинного обучения, для статистического подтверждения открываемых в будущем экзопланет.
Этот алгоритм был «натренирован» на распознавание истинных планет при помощи двух крупных наборов подтвержденных другими методами планет и ложноположительных результатов из архива наблюдений космического телескопа НАСА Kepler («Кеплер») – обсерватории, которая в настоящее время уже выведена из эксплуатации. Затем команда Армстронга использовала этот алгоритм для анализа крупного набора из все еще не подтвержденных планет-кандидатов, выявленных при помощи «Кеплера», и в результате применения алгоритма было найдено 50 новых подтвержденных планет. Эта работа стала первым прецедентом в истории астрономии, когда экзопланеты были подтверждены при помощи алгоритма машинного обучения, отмечается в статье. Использованные ранее алгоритмы машинного обучения позволяли ранжировать планеты-кандидаты, но никогда не определяли вероятность того, что планета-кандидат окажется истинной планетой – что является необходимым шагом для подтверждения планеты, пояснили авторы.
Исследование опубликовано в журнале Monthly Notices of the Royal Astronomical Society.
Астрономия, космос, вселенная

Нейронные сети распознают гамма-лучи в детекторе Cherenkov telescope array

Нейронные сети распознают гамма-лучи в детекторе Cherenkov telescope array
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20200825190837
При помощи детектора Cherenkov Telescope Array (CTA), который продолжает строиться в настоящее время, исследователи надеются наблюдать высокоэнергетические гамма-лучи, указывающие на новые космические объекты, расположенные в нашей Галактике и за ее пределами, и даже дающие возможность раскрыть тайну темной материи. Однако идентификация гамма-лучей представляет собой отнюдь не простую задачу. Исследователи консорциума CTA в настоящее время пытаются решить эту задачу наилучшим образом, используя для этого нейронные сети, «натренированные» на суперкомпьютере Piz Daint («Пиц Дайнт»).
После завершения строительства в 2025 г. обсерватория Cherenkov Telescope Array станет крупнейшей гамма-обсерваторией, когда-либо созданной человеком. Более 100 телескопов, имеющих диаметр от 4 до 23 метров, устанавливаются в настоящее время в обсерватории Роке-де-лос-Мучачос, расположенной на Канарских островах, и в пустыне Атакама, находящейся на территории Чили. Телескопы настроены на регистрацию вспышек света, испускаемого при бомбардировке атмосферы Земли гамма-лучами, пришедшими из космоса. Гамма-лучи исходят со стороны высокоэнергетических космических событий, так называемых «космических ускорителей частиц», таких как взрывы сверхновых или события поглощения сверхмассивными черными дырами оказавшихся поблизости звезд, а также газа и пыли.
Когда гамма-лучи попадают в атмосферу Земли, они взаимодействуют с атомами и молекулами, вызывая появление вторичных потоков частиц и излучения. Однако проблема состоит в том, что помимо гамма-лучей аналогичное действие оказывают и другие высокоэнергетические частицы, приходящие из космоса – адроны. Астрономов обычно больше интересуют гамма-лучи, поскольку в отличие от адронов гамма-фотоны не имеют заряда, а потому не отклоняются магнитными полями при движении в космосе и всегда точно указывают направление на свой источник. Однако часто при анализе вторичных потоков излучения гамма-фотоны ошибочно принимают за адроны и наоборот.
В новом исследовании группа под руководством М. Траколли (M. Tracolli) предлагает использовать глубокие сверточные нейронные сети, являющиеся одним из видов алгоритмов машинного обучения, для установления различий между адронами и гамма-фотонами. Команда оценила производительность сверточных нейронных сетей в сравнении с традиционными методами обнаружения гамма-лучей (Boosted Decision Trees), используя события, разыгранные по методу Монте-Карло, которые, согласно авторам, точнее всего моделируют реальные события. Как выяснилось, при определенных условиях производительность сверточных нейронных сетей превосходит производительность классических методов, указывают они.
Исследование опубликовано в журнале Journal of Physics: Conference Series.
Астрономия, космос, вселенная

Искусственный интеллект помогает классифицировать галактики

Искусственный интеллект помогает классифицировать галактики
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20200812181842
Астрономы прменили искусственный интеллект к обработке снимков неба, сделанных при помощи камеры со сверхшироким полем обзора телескопа «Субару», и смогли достичь очень высокой точности обнаружения и классификации спиральных галактик. Этот метод, используемый совместно с проектами, предполагающими привлечение астрономов-любителей к обработке снимков, имеет большие перспективы в будущем, считают ученые.
Исследовательская группа, возглавляемая Кен-Ичи Тадаки (Ken-ichi Tadaki) из Национальной астрономической обсерватории Японии, применила технику глубокого машинного обучения, являющуюся разновидностью искусственного интеллекта, для классификации галактик, изображения которых, сделанные при помощи телескопа «Субару», входят в состав крупной коллекции, имеющей большое научное значение. Благодаря высокой чувствительности нового метода, на снимках было идентифицировано порядка 560 000 галактик. «Ручная» классификация такого большого числа галактик по морфологическим признакам представляла бы собой весьма непростую задачу. Искусственный интеллект позволил провести обработку без вмешательства человека.
Ранее искусственный интеллект уже успешно зарекомендовал себя при классификации галактик на «спиральные» и «не спиральные». В ранних исследованиях доктор Тадаки «натренировал» искусственный интеллект на наборе из галактик, правильно идентифицированных силами астрономов-любителей, и применил его к другому набору, состоящему из 80 000 галактик, который был успешно обработан компьюте...
Астрономия, космос, вселенная

Искусственный интеллект помогает прогнозировать стабильность планетных систем

Искусственный интеллект помогает прогнозировать стабильность планетных систем
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20200715205130
Почему планеты не сталкиваются чаще? Как устроены планетные системы – такие как наша Солнечная система или множественные планетные системы вокруг других звезд? Из всех возможных орбитальных конфигурация какие конфигурации останутся стабильными на протяжении миллиардов лет?
Если исключить большое число нестабильных орбитальных конфигураций – всех тех конфигураций, которые ведут к столкновениям – то мы получим куда более интересный набор возможных состояний планетной системы, согласно авторам нового исследования.
«Отделение стабильных конфигурация от нестабильных представляет собой глубокую и чрезвычайно сложную проблему, - сказал Даниэль Тамайо (Daniel Tamayo) из Принстонского университета, США, являющийся главным автором нового исследования. Чтобы убедиться в стабильности планетной системы, астрономам нужно рассчитать движение множества взаимодействующих планет на протяжении миллиардов лет и проверить каждую возможную конфигурацию на стабильность – что связано с большими затратами машинного времени на суперкомпьютерах.
В своей работе Тамайо предпринял попытку ускорить трудоемкий процесс расчета орбитальных конфигураций, объединив упрощенные модели динамического взаимодействия между планетами с методами машинного обучения. Полученный в результате такого объединения алгоритм получил название SPOCK—Stability of Planetary Orbital Configurations Klassifier. Использование данного алгоритма позволило быстро исключить большой объем нестабильных орбитальных конфигураций – рас...
Астрономия, космос, вселенная

Эксперимент, который приведет к более точному прогнозированию погоды

Эксперимент, который приведет к более точному прогнозированию погоды
https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20191208120244
Ученые, работающие над улучшением уровня прогнозирования погоды, надеются, что 3-4 недельные прогнозы скоро станут такими же доступными, как и семидневные. Наличие такого типа информации о погоде - так называемые субсезонные прогнозы - в руках общественности и служб по чрезвычайным ситуациям может предоставить точнейшее время, необходимое для подготовки к стихийным бедствиям, таким как волны тепла или полярный вихрь.
Такие ученые, как Университет морской науки и атмосферы имени Розенштиеля Университета Майами (UM), профессор Бен Киртман и доцент Кэтлин Пегион из Университета Джорджа Мейсона, помогают создавать более точные прогнозы в системе прогнозирования погоды с помощью проекта SubX. SubX - сокращение от «Subseasonal Experiment» - это проект, направленный на получение точнейшего субсезонного прогноза для Национальной метеорологической службы.
«Сезонные прогнозы - это самый сложный период для прогнозирования», - сказал Киртман, профессор атмосферных наук и директор Кооперативного института морских и атмосферных исследований NOAA (CIMAS). «Самое сложное - взять все наблюдения и поместить их в прогноз».
SubX заполняет пробел между прогнозом погоды и прогнозом сезонных условий, который определяется медленно меняющимися условиями океана, такими как температура поверхности моря, влажность и изменчивость почвы в климатической системе, которые работают в масштабах недель. Чтобы добраться до субсезонных масштабов, ученым нужна информация об условиях, влияющих на глобальную погоду, таких как крупномасштабные конвективные аномалии, такие как колебание Маддена-Джулиана в тропическом Индийском океане.
«Публичная база данных SubX предоставляет 3-4-недельные прогнозы прямо сейчас и предоставляет исследователям инфраструктуру для исследования, чтобы сделать их еще лучше в будущем», - сказал Пегион.
SubX уже пообещал повысить уровень прогнозирования погодных условий. Он точно предсказал количество осадков от урагана «Майкл» - примерно 50 мм, также он предсказал жару 4 июля на Аляске, где температура достигла более 32°С - в некоторых местах на 20-30 градусов выше среднего, и полярный вихрь, поразившего среднезападную часть США и восточную Канаду, из-за которого в конце января погибли 22 человека.
Для Киртмана и его команды способность делать такие прогнозы требует способности вычислять и хранить большой объем данных. Это означает, что они сильно зависят от вычислительных возможностей Центра вычислительных наук (CCS) UM для обработки сложных вычислений, необходимых для их моделей. Ресурсы CCS имеют решающее значение для Киртмана и Пегиона, чтобы своевременно, в режиме реального времени, передавать все информацию, необходимую для SubX.
Публично доступная база данных SubX содержит 17-летние исторические прогнозы (1999-2015 гг.) и более чем 18-месячные прогнозы в режиме реального времени для использования исследовательским сообществом и Национальной метеорологической службой.
Как отметил Киртман и его исследовательская группа в октября 2019 в статье журнала Американского метеорологического общества BAMS «раннее предупреждение о тепловых волнах, экстремальном холоде, внезапной засухе или других погодных опасностях до 4 недель в будущее, мы сможем снизить риск и обеспечить готовность к стихийным бедствиям, потенциально сохраняя жизнь и ресурсы. Менее экстремальные, но не менее важные, надежные вероятностные прогнозы о потенциале более теплых, холодных, влажных или сухих условий в течение нескольких недель являются ценными для рутинного планирования и управления ресурсами".