そうだね。翻訳、顔認識、人を轢く…他にAIに何ができる？ああ、そうだ、惑星の質量を予測する

時間のかかる数学に飽きた科学者たちは、まだ完全に形成されていない太陽系外惑星の質量を予測するために機械学習コードに注目している。

誕生間もない惑星の研究は困難です。惑星は恒星周円盤内で質量を集積しながら成長し、ガスの層に覆われています。最終的な質量は、惑星の周囲の環境に基づいて内部構造を推測し、一連の微分方程式を解くことで予測されます。

「標準的な手順ではあるが、これらの内部構造方程式を解くには、無視できない量のコンピュータ時間が必要となり、場合によっては数値的不安定性につながる可能性がある」と、スイスのベルン大学の研究者2人は今月arXivに発表された論文で説明した。

そこで彼らは、ニューラルネットワークが役に立つかどうか検証することにしました。目標は、惑星の温度、圧力、光度といった入力変数から、その中心核の質量やガス層の質量を出力できるシステムを構築することでした。

しかし、研究者たちは微分方程式から完全に逃れることはできなかった。訓練データを生成するために、様々な特性を持つ様々なダミー惑星の質量を計算し、データベースを訓練用セット、検証用セット、テスト用セットに分割する必要があった。

「ジュリア・ベンチュリーニがベルン大学で博士課程を修了していた時に開発したコードを使って、これらのテストケースをすべて計算するのに3週間かかりました」と、論文の共著者でありベルン大学の天体物理学教授であるヤン・アリベール氏は述べた。「その後、このネットワークを私たちの巨大なデータベースを使って学習させました。」

このデータセットは、教師あり学習を用いたディープニューラルネットワーク（DNN）モデルの学習に使用されました。データを精査した後、モデルは惑星の特性を入力として、そのコア質量とエンベロープ質量を予測することを学習しました。その結果、DNNの予測は従来の微分方程式で計算された解と類似していることが示されました。

「私たちのDNNを使用すると、予測された臨界コア質量と内部構造方程式を解くことで得られた質量との平均差は約1.67％で、臨界質量の大部分（99.3％）は5％以上の精度で予測され、1太陽質量を超える臨界質量の最大誤差は約14.2％です」と研究者らは論文に記している。

「現在、私たちのネットワークは、特定の条件下で形成される惑星の質量を、非常に高い精度で、微分方程式を解くよりもはるかに速く予測できる」とアリバート氏は付け加えた。

有望ではあるものの、DNNが実際の観測データでテストされていないため、結果は鵜呑みにすべきではありません。それは次回の課題です。®