匯流新聞網記者藍立晴 / 台北報導
Google今（6）日舉辦「機器學習系列-科學探索應用」媒體聚會，會中分享利用機器學習技術在天文與基因上的突破及發展，詳細解釋了機器學習如何結合科學應用，跨領域做出科學貢獻。
利用機器學習，可以幫助人類天文學家發現不易為人類發現的行星。其中，4年間蒐集超過20萬顆恆星的亮度，平均每30分鐘記錄一次每顆恆星亮度的「克卜勒太空望遠鏡」，至今已記錄大約7萬次每顆恆星的亮度。
▲當一顆運行中的行星擋住了恆星的光線時，恆星的亮度會減小。右方則為克卜勒太空望遠鏡所偵測到一顆恆星的訊號，各個點所形成的線為「亮度曲線」（light curve）。／Google
有許多的現象會造成偵測的恆星亮度變弱，例如恆星上的斑點、太空船在運行的過程中需要隨時讓太陽能板面向太陽，或者2顆恆星所造成的亮度改變，而天文學家在尋找行星時，通常會分為兩個階段：他們必須先透過電腦演算法，找出潛在的行星訊號；之後再由天文學家判斷哪些訊號來自真實的行星。
自2009年發射以來，克卜勒太空望遠鏡一直在尋找太陽系以外的行星，為了篩選抓取到的所有數據，科學家們通常會先查看最強的訊號，他們利用人工的方式檢查了超過3萬個以上透過克卜勒太空望遠鏡所偵測到的訊號，其中約有2500個訊號被認定為行星，
但是，由於過程相當耗時再加上許多較弱的訊號含有雜訊，因此這些訊號無法透過人工方式判別是否為行星。
Google
在這樣人類無法以人工方式檢查、處理龐大資料的情況下，就是利用機器學習技術的絕佳時機。
Google利用近年來在辨識圖像上非常成功的神經網路（機器學習的一種運算模型），套用至探索行星中，建立起一個神經網路來分類克卜勒的訊號。
透過訓練卷積神經網路*（convolutional neural network）來預測偵測到的訊號為行星的機率，並且利用15,000個天文學家已人工標記的克卜勒訊號來訓練模型。
接著，在模型訓練以後，透過模型搜尋克卜勒資料庫中的670個恆星並藉此辨別新行星，也因此發現了克卜勒-90i和克卜勒-80g。
▲Google利用15,000個被標示的克卜勒訊號，來訓練機器學習模組去辨認行星訊號，並利用這個模組，從670顆恆星的數據中發現新的行星，且成功發現了2個先前被忽略的行星。／Google
其中，克卜勒-90 i是在克卜勒90星系中第8個被發現的行星，而克卜勒90星系更是目前已知第一個與我們所處的太陽系同樣擁有8顆行星數的星系。
與我們的太陽系相比，克卜勒90太陽系的行星之間更為緊密，內圈的小行星更接近恆星。同時，也因為克卜勒-90 i是距離其恆星第3近的行星，因此表面溫度達到攝氏400度以上，人類無法居住。
在未來的發展上，由於現在還有假陽性預測（background false positives）問題未能解決，也就是有可能偵測到一顆恆星的亮度其實是來自附近恆星的亮度，因此希望可以將「位置資訊」結合到模型當中，讓模型有能力辨別這類訊號，而下一個目標則是利用模型運算整個克卜勒資料庫中超過20萬顆的恆星。目前已探索的670個中已發現2顆新行星。
除了在天文學上的重大發展，Google Brain團隊亦與Verily Life Sciences 合作花了兩年多時間開發了用以提高基因組測序*準確性的開源工具DeepVariant，將測序儀所讀到的數據編碼為圖像格式，接著利用圖像分類演算法，訓練出準確的變體識別*模型，辨別龐大資料量的片段信息與新一代測序儀結果產生的錯誤。
DeepVariant在2016、2017年獲得美國食品藥物管理局舉辦的變體識別比賽之外，還在去年12月正式開源後，發布的一周內登上GitHub最熱門生物資訊科技，未來盼望將DeepVariant應用在人類以外的其他生物和農業研究上。
＊卷積神經網路（convolutional neural network）
為一種特定的神經網路，通常運用於圖像分類，例如Google相簿。
＊基因組測序
為一種核心生物技術，可以捕獲任何有機體遺傳密碼中的訊息，幫助以前無法解決的病例，如幫助醫生決定癌症的標靶治療是否有效、可以利用來尋找新生兒無法解釋疾病之病因。
＊變體識別（Variant Calling）
透過個體與參考基因組之間的差異，是找出差異性的第一步，也是許多醫療和藥物開發的第一步，但不是所有的變體都會產生疾病，因此變體識別並不包含預測一個變體是否會產生疾病。
延伸閱讀：
【匯流新聞網】Google人工智慧助NASA發現迷你太陽系「克卜勒90」
【文章轉載請註明出處】
【匯流筆陣】
CNEWS歡迎各界投書，來稿請寄至[email protected]，並請附上真實姓名、聯絡方式與職業身份簡介。
CNEWS匯流新聞網：https://cnews.com.tw
新聞照來源：Google