" "
Utama AstronomiSatu Kecerdasan Buatan Hanya Menemukan 56 Kanta Gravitational Baru

Satu Kecerdasan Buatan Hanya Menemukan 56 Kanta Gravitational Baru

Astronomi : Satu Kecerdasan Buatan Hanya Menemukan 56 Kanta Gravitational Baru

Kanta graviti adalah alat penting bagi para astronom yang ingin mempelajari objek yang paling jauh di Semesta. Teknik ini melibatkan penggunaan kluster besar-besaran (biasanya galaksi atau kluster) di antara sumber cahaya jauh dan pemerhati untuk melihat cahaya yang lebih baik dari sumber itu. Dalam kesan yang diramalkan oleh Teori Relativiti Am Einstein, ini membolehkan para astronom melihat benda-benda yang mungkin dikaburkan.

Baru-baru ini, sekumpulan ahli astronomi Eropah telah membangun satu kaedah untuk mencari lensa graviti dalam buangan besar data. Menggunakan algoritma kecerdasan buatan yang sama yang Google, Facebook dan Tesla telah digunakan untuk tujuan mereka, mereka dapat mencari 56 calon pemotret graviti baru dari tinjauan astronomi besar-besaran. Kaedah ini dapat menghapuskan keperluan para astronom untuk menjalankan pemeriksaan visual terhadap imej astronomi.

Kajian yang menggambarkan penyelidikan mereka, yang berjudul "Menemukan kanta graviti yang kuat dalam Kajian Gelaran Kilo dengan Rangkaian Neural Convolutional", baru-baru ini muncul dalam Notis Bulanan Persatuan Astronomi Diraja . Dipimpin oleh Carlo Enrico Petrillo dari Institut Astronomi Kapteyn, pasukan itu juga termasuk anggota Institut Nasional Astrofisika (INAF), Argelander-Institute for Astronomy (AIfA) dan University of Naples.

Kanta graviti yang dikenali sebagai Cosmic Horseshoe terdapat di Leo. Kredit: NASA / ESA / Hubble

Walaupun berguna kepada ahli astronomi, kanta graviti adalah kesakitan untuk mencari. Biasanya, ini terdiri daripada ahli-ahli astronomi mengurutkan beribu-ribu imej yang ditangkap oleh teleskop dan pemerhatian. Walaupun institusi akademik dapat bergantung kepada ahli astronomi amatur dan ahli astronomi warga seperti tidak pernah terdahulu, tidak ada cara untuk menyesuaikan diri dengan berjuta-juta imej yang sering ditangkap oleh instrumen di seluruh dunia.

Untuk menangani masalah ini, Dr Petrillo dan rakan-rakannya beralih kepada apa yang dikenali sebagai "Rangkaian Neural Konvensional" (CNN), sejenis algoritma pembelajaran komputer yang menggunakan data untuk pola tertentu. Walaupun Google menggunakan rangkaian saraf yang sama untuk memenangi perlawanan Go against the world champion, Facebook menggunakannya untuk mengenali sesuatu dalam imej yang dipasang di laman webnya, dan Tesla telah menggunakannya untuk membangunkan kereta memandu sendiri.

Seperti Petrillo menjelaskan dalam artikel baru-baru ini dari Sekolah Penyelidikan Belanda untuk Astronomi:

Ini adalah kali pertama rangkaian saraf convolutional telah digunakan untuk mencari objek pelik dalam kaji selidik astronomi. Saya fikir ia akan menjadi norma kerana tinjauan astronomi masa depan akan menghasilkan kuantiti data yang besar yang perlu diperiksa. Kami tidak mempunyai ahli astronomi yang mencukupi untuk menanganinya

Pasukan kemudian menggunakan rangkaian saraf ini untuk mendapatkan data yang diperolehi daripada Kilo-Degree Survey (KiDS). Projek ini bergantung kepada Teleskop Survei VLT (VST) di ESLS di Paranal Observatory di Chile untuk memetakan 1500 darjah persegi langit malam selatan. Set data ini terdiri daripada 21, 789 imej warna yang dikumpulkan oleh OSTM OmegaCAM, sebuah instrumen multiband yang dibangunkan oleh konsortium saintis Eropah bersempena dengan ESO.

Satu sampel gambar buatan tangan lensa graviti yang digunakan para astronom untuk melatih rangkaian saraf mereka. Kredit: Enrico Petrillo / Rijksuniversiteit Groningen

Imej-imej ini semua mengandungi contoh-contoh Galaksi Merah Berkilau (LRGs), tiga daripadanya yang dikenali sebagai lensa graviti. Pada mulanya, rangkaian saraf mendapati 761 calon kanta graviti dalam sampel ini. Selepas memeriksa calon-calon ini secara visual, pasukan itu dapat menyempitkan senarai itu kepada 56 kanta. Ini masih perlu disahkan oleh teleskop ruang angkasa pada masa akan datang, tetapi hasilnya agak positif.

Seperti yang ditunjukkan dalam kajian mereka, rangkaian saraf seperti itu, apabila digunakan pada set data yang lebih besar, boleh mendedahkan beratus-ratus atau bahkan beribu-ribu kanta baru:

Akonsambungan konservatif berdasarkan hasil kami menunjukkan bahawa dengan kaedah yang dicadangkan kita mungkin dapat mencari 100 kanta LRG-galaksi besar di z ~> 0.4 di KiDS apabila selesai. Dalam senario yang paling optimistik jumlah ini boleh berkembang dengan ketara (maksima 2400 kanta), apabila meluaskan pemilihan magnitud warna dan melatih CNN untuk mengenali sistem kanta pemisahan imej yang lebih kecil. "

Di samping itu, rangkaian neural menemui semula dua kanta yang diketahui dalam set data, tetapi terlepas yang ketiga. Walau bagaimanapun, ini adalah kerana lensa ini sangat kecil dan rangkaian neural tidak dilatih untuk mengesan kanta saiz ini. Di masa depan, penyelidik berharap untuk membetulkannya dengan melatih rangkaian saraf mereka untuk melihat lensa yang lebih kecil dan menolak positif palsu.

Tetapi sudah tentu, matlamat utama di sini adalah untuk menghilangkan keperluan untuk pemeriksaan visual sepenuhnya. Dengan berbuat demikian, para ahli astronomi akan dibebaskan daripada melakukan kerja menggerutu, dan boleh mendedikasikan lebih banyak masa ke arah proses penemuan. Dengan cara yang sama, algoritma pembelajaran mesin boleh digunakan untuk mencari data astronomi untuk isyarat gelombang graviti dan exoplanet.

Sama seperti bagaimana industri-industri lain yang ingin masuk akal daripada terabytes pengguna atau lain-lain jenis "data besar", bidang astrofizik dan kosmologi boleh datang untuk bergantung kepada kecerdasan buatan untuk mencari corak dalam alam semesta data mentah. Dan hasilnya mungkin tidak kurang daripada proses penemuan dipercepatkan.

Bacaan Lanjut: Sekolah Penyelidikan Belanda untuk Astronomi, MNRAS

Kategori:
Behind The Scenes: The "Making Of" Peta Permukaan Kurcaci Pertama Brown
Perkara Yang Hilang Universe. Dijumpai!