Soczewki grawitacyjne są ważnym narzędziem dla astronomów próbujących badać najodleglejsze obiekty we Wszechświecie. Technika ta polega na użyciu masywnej gromady materii (zwykle galaktyki lub gromady) między odległym źródłem światła a obserwatorem, aby lepiej widzieć światło pochodzące z tego źródła. W efekcie przewidywanym przez Teorię ogólnej teorii względności Einsteina pozwala to astronomom zobaczyć obiekty, które w innym przypadku mogłyby zostać zasłonięte.
Niedawno grupa europejskich astronomów opracowała metodę wyszukiwania soczewek grawitacyjnych w ogromnych stosach danych. Korzystając z tych samych algorytmów sztucznej inteligencji, których Google, Facebook i Tesla zastosowali do swoich celów, udało im się znaleźć 56 nowych kandydatów do soczewkowania grawitacyjnego z ogromnej ankiety astronomicznej. Ta metoda mogłaby wyeliminować potrzebę przeprowadzania przez astronomów kontroli wizualnych obrazów astronomicznych.
Badanie, które opisuje ich badania, zatytułowane „Znalezienie silnych soczewek grawitacyjnych w badaniu Kilo Degree Survey z konwekcyjnymi sieciami neuronowymi”, niedawno pojawiło się w Miesięczne zawiadomienia Royal Astronomical Society. Zespół, kierowany przez Carlo Enrico Petrillo z Kapteyn Astronomical Institute, obejmował także członków Narodowego Instytutu Astrofizyki (INAF), Argelander-Institute for Astronomy (AIfA) i Uniwersytetu Neapolitańskiego.
Soczewki grawitacyjne są użyteczne dla astronomów, ale trudno je znaleźć. Zwykle składałoby się to z astronomów sortujących tysiące zdjęć wykonanych przez teleskopy i obserwatoria. Chociaż instytucje akademickie są w stanie polegać na astronomach amatorskich i obywatelskich, jak nigdy dotąd, nie ma sposobu, aby nadążyć za milionami zdjęć, które są regularnie rejestrowane przez instrumenty na całym świecie.
Aby rozwiązać ten problem, dr Petrillo i jego koledzy zwrócili się do tak zwanych „konwolucyjnych sieci neuronowych” (CNN), rodzaju algorytmu uczenia maszynowego, który wydobywa dane dla określonych wzorców. Podczas gdy Google wykorzystywał te same sieci neuronowe, aby wygrać mecz Go z mistrzem świata, Facebook używa ich do rozpoznawania rzeczy na zdjęciach zamieszczonych na swojej stronie, a Tesla wykorzystuje je do opracowywania samochodów z własnym napędem.
Jak wyjaśnił Petrillo w niedawnym artykule prasowym z Holenderskiej Szkoły Badań Astronomicznych:
„Po raz pierwszy zastosowano splotową sieć neuronową do znalezienia osobliwych obiektów w badaniu astronomicznym. Myślę, że stanie się to normą, ponieważ przyszłe badania astronomiczne przyniosą ogromną ilość danych, które będą niezbędne do kontroli. Nie mamy wystarczającej liczby astronomów, aby sobie z tym poradzić ”.
Następnie zespół zastosował te sieci neuronowe do danych pochodzących z Kilo-Degree Survey (KiDS). Projekt ten opiera się na VLT Survey Telescope (VST) w Obserwatorium Paranal ESO w Chile, aby zmapować 1500 stopni kwadratowych nocnego nieba na południu. Ten zestaw danych składał się z 21 789 kolorowych obrazów zebranych przez VST OmegaCAM, wielozakresowy instrument opracowany przez konsorcjum europejskiego naukowca we współpracy z ESO.
Wszystkie te zdjęcia zawierały przykłady Luminous Red Galaxies (LRG), z których trzy znane są jako soczewki grawitacyjne. Początkowo sieć neuronowa znalazła 761 kandydatów na soczewki grawitacyjne w tej próbce. Po wizualnej kontroli tych kandydatów zespół był w stanie zawęzić listę do 56 soczewek. Muszą one zostać potwierdzone w przyszłości przez teleskopy kosmiczne, ale wyniki były dość pozytywne.
Jak wskazują w swoich badaniach, taka sieć neuronowa zastosowana do większych zbiorów danych może ujawnić setki, a nawet tysiące nowych soczewek:
„Ostrożne oszacowanie oparte na naszych wynikach pokazuje, że dzięki naszej proponowanej metodzie powinno być możliwe znalezienie? 100 masywnych soczewek LRG-galaktyk przy z ~> 0,4 w KiDS po zakończeniu. W najbardziej optymistycznym scenariuszu liczba ta może znacznie wzrosnąć (do maksymalnie 2400 soczewek), poszerzając wybór jasności kolorów i ucząc CNN rozpoznawania mniejszych systemów soczewek z separacją obrazu. ”
Ponadto sieć neuronowa odkryła na nowo dwa znane obiektywy w zestawie danych, ale pominęła trzecią. Wynika to jednak z faktu, że ta soczewka była szczególnie mała, a sieć neuronowa nie została przeszkolona do wykrywania soczewek tego rozmiaru. W przyszłości naukowcy mają nadzieję to naprawić, trenując swoją sieć neuronową, aby dostrzegać mniejsze soczewki i odrzuca fałszywie pozytywne wyniki.
Ale oczywiście ostatecznym celem jest całkowite wyeliminowanie konieczności kontroli wizualnej. Czyniąc to, astronomowie byliby wolni od robienia chrząknięć i mogliby poświęcić więcej czasu na proces odkrywania. W podobny sposób algorytmy uczenia maszynowego można wykorzystać do wyszukiwania danych astronomicznych w poszukiwaniu sygnałów fal grawitacyjnych i egzoplanet.
Podobnie jak inne branże starają się znaleźć sens w terabajtach konsumentów lub innych rodzajach „dużych zbiorów danych”, astrofizyka i kosmologia mogą polegać na sztucznej inteligencji, aby znaleźć wzorce we Wszechświecie surowych danych. A wypłata prawdopodobnie będzie niczym innym jak przyspieszonym procesem odkrywania.
