コンボリューショナルニューラルネットワークで分析
新惑星発見に使われたGoogleの機械学習技術とは プロジェクト発案者が語る
GoogleとNASAは、機械学習技術の一つであるコンボリューショナルニューラルネットワークを用いて、新惑星を発見した。惑星探索に機械学習技術をどう活用したのか。
図 ライトカーブの学習用データ
Googleの機械学習技術の応用例には、同社と米国航空宇宙局（NASA）が共同で実施した太陽系外惑星の探索プロジェクトがある。プロジェクト発案者であるGoogle AI部門のシニアソフトウェアエンジニア、クリス・シャルー氏が報道機関向けセミナーで、新惑星発見までの過程について説明した。
併せて読みたいお薦め記事
機械学習技術でビジネスはどう変わるか
AIと機械学習のこれから
機械学習で新惑星を発見
GoogleとNASAが惑星の発見に利用したのは、機械学習技術の一種で画像分類を得意とする、コンボリューショナル（畳み込み）ニューラルネットワーク（CNN）だ。CNNは、写真の保管サービス「Google フォト」などに用いられている。
CNNを用いたシステムの構築後、GoogleとNASAは惑星3500個前後と、惑星の可能性が高い天体1万5000個ほどについて、それぞれのライトカーブ（詳細は後述）のデータを使って、惑星のデータとそうでないものを見分けられるようシステムに学習させた（図）。このシステムをテスト用ライトカーブでテストすると、96％の精度で惑星のデータかどうか見分けることができた。学習を終えた後に新たに取得したライトカーブのデータを読み込ませて、670個の恒星で、惑星がないかどうか分析すると、「ケプラー80g」「ケプラー90i」という2つの惑星が新たに見つかった。
本プロジェクトで用いたのは、NASAのケプラー宇宙望遠鏡で取得したライトカーブの公開データだ。ライトカーブは、天体の明るさを示す光度の変化を捉えた曲線のことを指す。望遠鏡で観測する恒星の光度（以下、観測光度）は、惑星が望遠鏡と恒星の間を通過する時に減少し、再度増す。このときのライトカーブはU字曲線を描く。恒星の観測光度は恒星黒点、宇宙線、連星（注）における他の恒星の通過など、惑星通過以外の要因によっても減少するが、それぞれのライトカーブの形状は異なる。
※注：複数の恒星が共通の重心の周りを回っている天体系。
従来ライトカーブのデータから惑星を探索するときは、ソフトウェアを用いて惑星の可能性を持ったデータを自動で検出した後に、惑星によるものかそうでないものかを人の手で精査してえり分けていた。ケプラー宇宙望遠鏡で取得したデータのうち、現在までに人力で追加検証したデータは3万件を超えており、そのうち約2500件のデータを惑星として判別したという。
今後の展開は
シャルー氏は「今後は生命体が存在できる、地球と似た条件の惑星を見つけたいが、それには課題がある」と言う。1つ目は、地球に似た条件の惑星は恒星からの距離が遠く、軌道を一周するのに時間がかかるため、多くのデータが集めづらいこと。2つ目は、地球サイズの惑星は比較的小さめで、恒星と望遠鏡の間を通過する時の観測光度の下降が認識しづらいことだ。これらの要因は、地球に似た惑星のデータを使った機械学習を難しくする。シャルー氏は「課題の解消に努めたい」と続ける。
今回使用した機械学習モデルはソフトウェアライブラリ「TensorFlow」で利用できる。シャルー氏は「学習モデルを開示することで、ケプラー宇宙望遠鏡だけでなく、別の望遠鏡で収集したデータを分析して新しい惑星発見につなげたい」と展望を語る。
Copyright © ITmedia, Inc. All Rights Reserved.
この記事の著者
関連記事
新着ホワイトペーパー PR
-
事例
[株式会社マクニカ] アイカ工業に学ぶ脆弱性対策 情シスが把握できずにいたアセットも正確に把握 -
製品資料
[株式会社マクニカ] 「脆弱性総まとめ」解説 被害事例から考える必須の対策ポイント -
製品資料
[Splunk Services Japan合同会社] サイバー脅威「トップ50」完全解説ガイド、新たな攻撃手法に対抗するには -
製品資料
[株式会社うるる] 「入札市場」完全ガイドブック：メリットから資格取得のポイントまで -
市場調査・トレンド
[株式会社うるる] はじめての「自治体／官公庁入札」 必要な知識がすぐに学べる入門ガイド
こんなメディアも見られています
TechTargetジャパンに関連する情報をお探しであれば、こちらのメディアもお役に立てるかもしれません。
ベンダーコンテンツ PR
From Informa TechTarget
SpecialPR
アクセスランキング
-
1
100億円の「Linux更新」を回避 みずほ銀行が選んだ“おきて破り”のRHEL延命策
-
2
Oracle巨大ITプロジェクトはなぜつまずいたのか 8年で導入1割、追加で170億ドル
-
3
Microsoft製品でここまで自動化できる 情シスがやめられる手作業10選
-
4
「世界一給与にハングリー」な日本のエンジニアが“雇用の安定”を求める理由
-
5
「技術屋」で終わらないために 情シスが今取るべき認定資格5選
-
6
「VMwareのコスト」に悩んでいるユーザー企業に送る、VMwareを残す・捨てる基準
-
7
後付けガバナンスの崩壊 PayPalが設計段階からデータを縛る理由
-
8
自宅のWi-Fiが「遅い」「途切れる」本当の原因は？ Dellが推奨する鉄則
-
9
迫る“インフラ崩壊”の危機 米英を相次いで襲った「PLC悪用攻撃」の全貌
-
10
「GPTかClaudeか」だけでは不十分 AI選定で情シスが見るべき3つの仕組み
ホワイトペーパーランキング PR
-
1
AIエージェントで多様な日常業務を効率化するための入門ガイド
-
2
AIが「わざわざ使うツール」になっていない？ 業務で自然に使う導線にする秘訣
-
3
5回聞くだけじゃ足りない？ トヨタ式「なぜなぜ分析」の正しい実践方法
-
4
JR西日本ITソリューションズが「監視業務の属人化」を解消した方法とは？
-
5
「脱Excel」か「Excel快適化」か？ 現場にやさしい業務改善の進め方
-
6
インシデント対応工数を約3割削減、東京ガスの事例に学ぶ監視体制刷新のコツ
-
7
PostgreSQLの「機能」「性能」「運用」「拡張性」に関する悩みの解消法
-
8
5分で分かる「セキュア大容量ファイル転送サービス」の機能とメリット
-
9
Macの安全神話は崩壊？ 最新の脅威動向から見えた攻撃のトレンドと有効な対策
-
10
情報セキュリティ対策早分かりガイド：25の自社診断で弱点と解決策を理解
TechTargetジャパン SNS
@techtarget_itmをフォロー
インフォメーション
注目情報をチェック
TechTargetジャパンをフォロー