Дослідження методів машинного навчання для задачі пошуку екзопланет

Abstract

Метою даної роботи є дослідження існуючих методів машинного навчання для оцінки можливості їх подальшого застосування у задачі пошуку екзопланет. Об’єктом дослідження є різні підходи до розпізнавання потенційних планет-кандидатів. У результаті виконання дипломної роботи було розроблено програмний продукт, на основі якого можна оцінити ефективність використання базових алгоритмів машинного навчання для вирішення конкретної задачі класифікації планет. Загальний обсяг роботи: 45 сторінок, 23 рисунки, 22 джерела. For centuries, planets outside our solar system - so-called exoplanets - have existed only in theory and science fiction. It seemed almost impossible to detect them a few light-years away because they were too small and dim against their parent stars. But over the past two decades, the rate of discovery of exoplanets has increased rapidly due to the development of three main detection methods, which involve all terrestrial and space observatories. As of May 17, 2021, the number of confirmed exoplanets is 4,389 [1]. However, there is a real hunt for a terrestrial planet with the right size, temperature and composition for the existence of liquid water - and maybe life. What does "searching for an exoplanet" really mean? Regardless of detection methods, it is always filtering, grouping and analyzing large amounts of data from ground and space telescopes. NASA scientists are trying to optimize this task, so they are working with leading companies in the field of artificial intelligence (AI) - such as Intel, IBM and Google - to be able to apply advanced computer algorithms to space science.