Gravitācijas lēcas ir svarīgs rīks astronomiem, kuri vēlas izpētīt visattālākos Visuma objektus. Šis paņēmiens ietver masīva matērijas kopas (parasti galaktikas vai kopas) izmantošanu starp tālu gaismas avotu un novērotāju, lai labāk redzētu gaismu, kas nāk no šī avota. Ietekmē, ko paredzēja Einšteina vispārējās relativitātes teorija, tas ļauj astronomiem redzēt objektus, kas citādi varētu būt aizēnoti.
Nesen Eiropas astronomu grupa izstrādāja metodi gravitācijas lēcu atrašanai milzīgos datu kaudzēs. Izmantojot tos pašus mākslīgā intelekta algoritmus, kurus Google, Facebook un Tesla ir izmantojuši saviem mērķiem, viņi varēja atrast 56 jaunus gravitācijas objektīvu kandidātus no apjomīgas astronomiskas aptaujas. Šī metode varētu novērst astronomu nepieciešamību veikt astronomisko attēlu vizuālas pārbaudes.
Pētījums, kas apraksta viņu pētījumu ar nosaukumu “Spēcīgu gravitācijas lēcu atrašana Kilo grādu aptaujā ar konvolūcijas neironu tīkliem”, nesen parādījās Karaliskās astronomiskās biedrības ikmēneša paziņojumi. Karlo Enriko Petrillo vadībā no Kapteinas astronomiskā institūta komandā bija arī Nacionālā astrofizikas institūta (INAF), Argelandera astronomijas institūta (AIfA) un Neapoles universitātes locekļi.
Lai arī gravitācijas lēcas ir noderīgas astronomiem, tās ir sāpīgi atrast. Parasti to veidotu astronomi, kas šķiro tūkstošiem attēlu, kurus uzlādēja teleskopi un observatorijas. Lai gan akadēmiskās institūcijas var paļauties uz astronomiem amatieriem un pilsoņu astronomiem kā nekad agrāk, nav nekādas iespējas sekot miljoniem attēlu, kurus regulāri tver instrumenti visā pasaulē.
Lai to risinātu, Dr Petrillo un viņa kolēģi pievērsās tā dēvētajam “Convulutional Neural Networks” (CNN) - mašīnmācīšanās algoritma veidam, kas iegūst datus par konkrētiem modeļiem. Kamēr Google izmantoja šos pašus neironu tīklus, lai uzvarētu Go spēli pret pasaules čempionu, Facebook tos izmanto, lai atpazītu lietas attēlos, kas ievietoti tās vietnē, un Tesla tos izmanto, lai izstrādātu pašbraucošas automašīnas.
Kā Petrillo paskaidroja nesenā preses rakstā no Nīderlandes Astronomijas pētniecības skolas:
“Šī ir pirmā reize, kad astronomiskajā apsekojumā savdabīgu objektu atrašanai tiek izmantots konvolūcijas neironu tīkls. Es domāju, ka tā kļūs par normu, jo nākamie astronomiskie apsekojumi radīs milzīgu datu daudzumu, kas būs nepieciešams pārbaudei. Mums nepietiek astronomu, lai ar to tiktu galā. ”
Pēc tam komanda šos neironu tīklus piemēroja datiem, kas iegūti no Kilo-grādu apsekojuma (KiDS). Šis projekts balstās uz VLT aptaujas teleskopu (VST) ESO Paranal observatorijā Čīlē, lai kartētu 1500 kvadrāt grādus dienvidu nakts debesīs. Šo datu kopu veidoja 21 789 krāsu attēli, ko savāc VST OmegaCAM - daudzjoslu instruments, ko izstrādāja Eiropas zinātnieku konsorcijs sadarbībā ar ESO.
Šajos attēlos bija ietverti sarkano gaismas diožu (LRG) piemēri, no kuriem trīs ir zināmi kā gravitācijas lēcas. Sākotnēji neironu tīkls šajā paraugā atrada 761 gravitācijas objektīva kandidātu. Pēc šo kandidātu vizuālas pārbaudes komanda varēja sašaurināt sarakstu līdz 56 objektīviem. Nākotnē tos vēl jāapstiprina ar kosmosa teleskopiem, taču rezultāti bija diezgan pozitīvi.
Kā viņi norāda savā pētījumā, šāds neironu tīkls, piemērojot lielākām datu kopām, varētu atklāt simtiem vai pat tūkstošiem jaunu objektīvu:
“Konservatīvs novērtējums, kas balstīts uz mūsu rezultātiem, liecina, ka ar mūsu piedāvātās metodes palīdzību vajadzētu būt iespējamam atrast 100 masīvas LRG-galaktikas objektīvus ar ātrumu ~ ~ 0,4 KiDS, kad tas tiks pabeigts. Visoptimistiskākajā scenārijā šis skaitlis var ievērojami pieaugt (maksimāli līdz 2400 objektīviem), paplašinot krāsu lieluma izvēli un apmācot CNN atpazīt mazākas attēlu atdalīšanas objektīvu sistēmas. ”
Turklāt neironu tīkls no jauna atklāja divus no datu kopā zināmajiem objektīviem, bet pameta trešo. Tomēr tas bija saistīts ar faktu, ka šis objektīvs bija īpaši mazs un neironu tīkls netika apmācīts noteikt šāda izmēra objektīvus. Nākotnē pētnieki cer to labot, apmācot savu neironu tīklu pamanīt mazākas lēcas un noraida viltus pozitīvus.
Bet, protams, galvenais mērķis šeit ir pilnībā novērst vajadzību pēc vizuālas pārbaudes. Šādi rīkojoties, astronomi tiks atbrīvoti no pienākuma veikt smagnēju darbu un varētu vairāk laika veltīt atklāšanas procesam. Tieši tāpat mašīnmācīšanās algoritmus varēja izmantot, lai caur astronomiskajiem datiem meklētu gravitācijas viļņu un eksoplanetu signālus.
Līdzīgi kā tas, kā citas nozares cenšas izprast no terabaitiem patērētāju vai cita veida “lielajiem datiem”, astrofizikas un kosmoloģijas joma varētu paļauties uz mākslīgo intelektu, lai atrastu modeļus neapstrādātu datu Visumā. Un izmaksa, visticamāk, būs nekas cits kā paātrināts atklāšanas process.
