本文最初发表在对话。该出版物将文章贡献给Space.com的专家声音：专家和见解。
星星是我们宇宙的基本组成部分。大多数星星托管行星，喜欢我们的阳光主持我们太阳系，如果您看上去更广泛，一群明星组成诸如集群之类的巨大结构和星系。因此，在天体物理学家可以尝试理解这些大规模结构之前，我们首先需要了解恒星的基本特性，例如它们的质量，半径和温度。
但是测量这些基本特性已被证明非常困难。这是因为恒星实际上处于天文距离。如果我们的太阳是美国东海岸的篮球，那就最近的恒星，Proxima，将是夏威夷的橙色。即使是世界上最大的望远镜也无法解决夏威夷的橙色。测量半径和大量恒星似乎超出了科学家的范围。
进入二进制星。二进制文件是围绕质量中心围绕的两颗恒星的系统。他们的动议由开普勒的谐波法，它连接三个重要数量：每个轨道的大小，其花费的时间，即轨道，称为轨道周期以及系统的总质量。
我是天文学家，我的研究团队一直在努力推进我们对二进制恒星和多个恒星系统的理论理解和建模方法。在过去的二十年中，我们还开创了人工智能在解释这些基石天体对象的观察中的使用。
测量恒星质量
天文学家可以从观察值中可以轻松地测量轨道大小和二元系统的周期，因此，借助这两个部分，他们可以计算系统的总质量。开普勒的谐波定律起到了体重衡量天体的规模。
想想一个游乐场的seesaw。如果两个孩子的重量大致相同，他们将必须坐在距中点大约相同的距离。但是，如果一个孩子更大，他或她将不得不坐在更靠近的地方，而较小的孩子则离中间点。
这与星星一样：二进制对的恒星越大，距离中心的距离越近，并且它越慢地旋转在中心方面。当天文学家测量恒星移动的速度时，他们还可以说出恒星轨道的大小，结果，它们必须称重。
测量恒星半径
不幸的是，开普勒的谐波定律对天文学家没有任何关于星星的半径。对于那些人来说，天文学家依靠大自然母亲的另一个偶然特征。
二进制恒星轨道是随机定向的。有时，碰巧的是，望远镜的视线线与飞机围绕二进制恒星系统轨道对齐。这种偶然的对准意味着恒星在围绕中心旋转时相互蚀。这些日食的形状使天文学家可以使用直接的几何形状来找出恒星半径。这些系统称为黯然失色的二进制星。
在二进制中发现了所有类似太阳的恒星中的一半以上，而二进制的二进制文件约占全明星的1％至2％。听起来可能很低，但是宇宙很大，所以那里有很多黯然失色的系统 -亿万仅在我们的银河系中。
通过观察黯然失色的二进制文件，天文学家不仅可以测量恒星的质量和半径，而且可以测量它们的热和亮度。
复杂的问题需要复杂的计算
即使使用黯然失色的二进制文件，测量恒星的特性也不是一件容易的事。恒星在二进制系统中旋转并互相拉动时会变形。他们相互作用，彼此照射，可以有斑点和磁场，并且可以以这种方式倾斜。
为了研究它们，天文学家使用复杂模型具有许多旋钮和开关。作为输入，模型采用参数 - 例如，恒星的形状和大小，其轨道特性或发出多少光预测观察者如何看到这种黯然失色的二进制系统。
计算机型号需要时间。计算模型预测通常需要几分钟。为了确保我们可以信任他们，我们需要尝试许多参数组合，通常是数千万。
这许多组合需要数亿分钟的计算时间，以确定恒星的基本特性。这相当于超过200年的计算机时间。
群集中链接的计算机可以更快地计算，但是即使使用计算机群集，也需要三个或更长时间才能求解，或确定一个单个二进制的所有参数。这项挑战解释了为什么天文学家只有大约300颗恒星对其基本参数进行准确的测量。
用于解决这些系统的模型已经进行了大量优化，并且可能比已经更快。因此，研究人员需要一种全新的方法来减少计算时间。
使用深度学习
一个解决方案我的研究团队探索了涉及深度学习 神经网络。基本想法很简单：我们想用更快的速度替换一个计算昂贵的物理模型基于AI的模型。
首先，我们使用天文学家可以很容易地观察到假设二进制二进制恒星特性的特征计算了一个关于假设二进制恒星的预测数据库。我们正在谈论数亿个参数组合。然后，我们将这些结果与实际观察结果进行了比较，以查看哪些最佳匹配。AI和神经网络非常适合此任务。
简而言之神经网络是映射。他们将某些已知输入映射到给定的输出。在我们的情况下，它们将黯然失色的二进制文件的特性映射到了预期的预测。神经网络模仿二进制模型，但不必考虑物理模型的所有复杂性。
我们通过从数据库中显示每个预测以及用于生成它的属性的集合来训练神经网络。一旦经过全面训练，神经网络将能够准确预测天文学家应从二元系统的给定特性中观察到的内容。
与物理模型的运行时间几分钟相比，神经网络使用人工智能在一秒钟的一小部分中获得相同的结果。
收获利益
一秒钟的一小部分可减少约百万倍的运行时。这使时间从超级计算机上的几周减少到单个笔记本电脑的时间。这也意味着我们可以在几周内在计算机集群中分析数十万个二元系统。
这种减少意味着我们可以获得基本属性恒星质量，半径，温度和亮度 - 在一个或两个月内观察到的每个黯然失色的二进制恒星。剩下的最大挑战是表明AI结果确实给出了与物理模型相同的结果。
这项任务是我团队的症结所在新论文。在其中，我们表明，实际上，AI驱动的模型在99％的参数组合中产生的结果与物理模型相同。这个结果意味着AI性能很强。我们的下一步？将AI部署在所有观察到的黯然失色的二进制文件中。
最重要的是？当我们将此方法应用于二进制文件时，基本原理适用于那里的任何复杂的物理模型。类似的AI模型已经在加速了许多实际应用程序，天气预报到股市分析。