Google与NASA合作 将利用模拟和机器学习技术搜索外星生命
google cloud与nasa的前沿开发实验室合作，利用模拟和机器学习技术搜索外星生命。
弄清楚外层空间可能存在的确切位置是非常重要的：并不总是清楚哪些特定的条件和材料是生存所必需的。换句话说，数百万英里之外的世界或宇宙体是否具有必要的成分和定位并不是确定的，我们真正需要做的就是将地球作为案例研究。
科学家经常需要将来自不同行星和岩石的信息片段拼凑起来，以便猜测支持生命所需的理想条件。什么样的人可以真正做的是更具体的世界模型，这些模型可能会促进生命，然后利用这些场景来过滤天体。如果外星球适合模型，它可能是生命的家园。
因此，google cloud的开发人员已经制作了可以支持生活的各种世界的模拟。第一个项目模拟了行星的大气特性，例如其密度，温度，化学成分，压力和特定生物化合物的浓度。该软件被称为atmos，旨在帮助科学家寻找可能带有生命的行星，从与地球相似的大气开始。
“有趣的是，atmos从地球上发现的这些分子的浓度开始，然后以小增量调整浓度，以模拟有效无限数量的排列，在合理或物理稳定的范围内，” 应用ai的技术总监massimo mascaro 说。
然后可以将这些模拟与真实数据进行比较，以评估给定行星可能存活的可能性。
天体生物学家最感兴趣的是位于其母星周围可居住区域的岩石系外行星，其表面可能存在液态水。
因此，来自谷歌和美国宇航局实验室的第二个团队已经建立了一个名为inara的基于机器学习的工具，通过研究高分辨率望远镜图像，可以识别岩石系外行星大气层中的化合物。
为了开发这个软件，brainiacs模拟了超过三百万个行星的光谱特征，它们的大气化学组成的指纹，并将它们标记为训练卷积神经网络（cnn）。因此，cnn可用于从美国宇航局开普勒太空船的大气图像和光线曲线中自动估算行星的化学成分。基本上，训练神经网络将望远镜图像与化学成分联系起来，因此，你展示了一组给定的图像，它会吐出相关的化学成分 - 可以用来评估那些是否会导致生命爆发在现场。
inara需要几秒钟才能找出可能存在于世界大气中的生物化合物。“考虑到开普勒望远镜产生的数据集的规模，以及即将发射的过境系外行星测量卫星（tess）卫星将返回地球的数据量更大，最大限度地缩短每颗行星的分析时间这项研究确保我们不会错过任何可行的候选人，“马斯卡罗总结道。
其域创新手持激光雷达/手持SLAM其域灵光Lixel重建深圳规划馆
贸易战对中国发展集成电路产业影响较小
智能门锁存在哪些风险
特朗普:加征关税主要将由中国支付,美国消费者并不受影响
比例电磁铁驱动电路
Google与NASA合作 将利用模拟和机器学习技术搜索外星生命
TriQuint携多种产品亮相IWS2013
C++之函数模板的概念及意义
LT3012 具停机功能的 5V 电源
沃尔沃与Veoneer合作 获准在瑞典公路进行自动驾驶测试
并网型风力发电机组的运行方式
R&S公司增强汽车雷达罩测试仪功能，为材料反射测量带来新的精度水平
企业物联网安全中的盲点如何去发现并解决
智慧灯杆产品方案及其在园区中的应用
三星LCD的供应过剩，准备关停一条LCD面板产线
AMD如何用牺牲性能来换取电池续航时间？
交换机的启动过程及运作原理
茂睿芯中大功率快充解决方案详解
芯盾时代荣获“首都金融创新激励项目”重要奖项
冷冻设备远程监测与故障预警系统的组成结构
弄清楚外层空间可能存在的确切位置是非常重要的：并不总是清楚哪些特定的条件和材料是生存所必需的。换句话说，数百万英里之外的世界或宇宙体是否具有必要的成分和定位并不是确定的，我们真正需要做的就是将地球作为案例研究。
科学家经常需要将来自不同行星和岩石的信息片段拼凑起来，以便猜测支持生命所需的理想条件。什么样的人可以真正做的是更具体的世界模型，这些模型可能会促进生命，然后利用这些场景来过滤天体。如果外星球适合模型，它可能是生命的家园。
因此，google cloud的开发人员已经制作了可以支持生活的各种世界的模拟。第一个项目模拟了行星的大气特性，例如其密度，温度，化学成分，压力和特定生物化合物的浓度。该软件被称为atmos，旨在帮助科学家寻找可能带有生命的行星，从与地球相似的大气开始。
“有趣的是，atmos从地球上发现的这些分子的浓度开始，然后以小增量调整浓度，以模拟有效无限数量的排列，在合理或物理稳定的范围内，” 应用ai的技术总监massimo mascaro 说。
然后可以将这些模拟与真实数据进行比较，以评估给定行星可能存活的可能性。
天体生物学家最感兴趣的是位于其母星周围可居住区域的岩石系外行星，其表面可能存在液态水。
因此，来自谷歌和美国宇航局实验室的第二个团队已经建立了一个名为inara的基于机器学习的工具，通过研究高分辨率望远镜图像，可以识别岩石系外行星大气层中的化合物。
为了开发这个软件，brainiacs模拟了超过三百万个行星的光谱特征，它们的大气化学组成的指纹，并将它们标记为训练卷积神经网络（cnn）。因此，cnn可用于从美国宇航局开普勒太空船的大气图像和光线曲线中自动估算行星的化学成分。基本上，训练神经网络将望远镜图像与化学成分联系起来，因此，你展示了一组给定的图像，它会吐出相关的化学成分 - 可以用来评估那些是否会导致生命爆发在现场。
inara需要几秒钟才能找出可能存在于世界大气中的生物化合物。“考虑到开普勒望远镜产生的数据集的规模，以及即将发射的过境系外行星测量卫星（tess）卫星将返回地球的数据量更大，最大限度地缩短每颗行星的分析时间这项研究确保我们不会错过任何可行的候选人，“马斯卡罗总结道。
其域创新手持激光雷达/手持SLAM其域灵光Lixel重建深圳规划馆
贸易战对中国发展集成电路产业影响较小
智能门锁存在哪些风险
特朗普:加征关税主要将由中国支付,美国消费者并不受影响
比例电磁铁驱动电路
Google与NASA合作 将利用模拟和机器学习技术搜索外星生命
TriQuint携多种产品亮相IWS2013
C++之函数模板的概念及意义
LT3012 具停机功能的 5V 电源
沃尔沃与Veoneer合作 获准在瑞典公路进行自动驾驶测试
并网型风力发电机组的运行方式
R&S公司增强汽车雷达罩测试仪功能，为材料反射测量带来新的精度水平
企业物联网安全中的盲点如何去发现并解决
智慧灯杆产品方案及其在园区中的应用
三星LCD的供应过剩，准备关停一条LCD面板产线
AMD如何用牺牲性能来换取电池续航时间？
交换机的启动过程及运作原理
茂睿芯中大功率快充解决方案详解
芯盾时代荣获“首都金融创新激励项目”重要奖项
冷冻设备远程监测与故障预警系统的组成结构