Gravitasjonslinser er et viktig verktøy for astronomer som søker å studere de fjerneste objektene i universet. Denne teknikken innebærer å bruke en massiv klynge av materie (vanligvis en galakse eller klynge) mellom en fjern lyskilde og en observatør for bedre å se lys komme fra den kilden. I en effekt som ble forutsagt av Einsteins teori om generell relativitet, lar dette astronomer se objekter som ellers kan bli tilslørt.
Nylig utviklet en gruppe europeiske astronomer en metode for å finne gravitasjonslinser i enorme bunker med data. Ved å bruke de samme kunstige intelligensalgoritmene som Google, Facebook og Tesla har brukt til sine formål, klarte de å finne 56 nye gravitasjonslinsekandidater fra en massiv astronomisk undersøkelse. Denne metoden kan eliminere behovet for astronomer for å foreta visuell inspeksjon av astronomiske bilder.
Studien som beskriver forskningen deres, med tittelen “Finne sterke gravitasjonslinser i Kilo Degree Survey with Convolutional Neural Networks”, dukket nylig opp i Månedlige merknader fra Royal Astronomical Society. Anført av Carlo Enrico Petrillo fra Kapteyn Astronomical Institute, teamet inkluderte også medlemmer av National Institute for Astrophysics (INAF), Argelander-Institute for Astronomy (AIfA) og University of Naples.
Mens de er nyttige for astronomer, er gravitasjonslinser vondt å finne. Vanligvis vil dette bestå av astronomer som sorterte gjennom tusenvis av bilder snappet av teleskoper og observatorier. Mens akademiske institusjoner er i stand til å stole på amatørastronomer og innbyggerastronomer som aldri før, er det ingen måte å følge med på millioner av bilder som regelmessig blir tatt av instrumenter rundt om i verden.
For å adressere dette vendte Dr. Petrillo og kollegene seg mot det som er kjent som “Convulutional Neural Networks” (CNN), en type maskinlæringsalgoritme som gruver data for spesifikke mønstre. Mens Google brukte de samme nevrale nettverkene for å vinne en kamp Go mot verdensmesteren, bruker Facebook dem til å gjenkjenne ting i bilder som er lagt ut på nettstedet, og Tesla har brukt dem til å utvikle selvkjørende biler.
Som Petrillo forklarte i en fersk presseartikkel fra Netherlands Research School for Astronomy:
“Dette er første gang et innviklet nevralt nettverk er brukt for å finne særegne gjenstander i en astronomisk undersøkelse. Jeg tror det vil bli normen siden fremtidige astronomiske undersøkelser vil produsere en enorm mengde data som vil være nødvendig å inspisere. Vi har ikke nok astronomer til å takle dette. "
Teamet brukte deretter disse nevrale nettverkene på data hentet fra Kilo-Degree Survey (KiDS). Dette prosjektet er avhengig av VLT Survey Telescope (VST) ved ESOs Paranal Observatory i Chile for å kartlegge 1500 kvadratgrader av den sørlige nattehimmelen. Dette datasettet besto av 21 779 fargebilder samlet av VSTs OmegaCAM, et multiband-instrument utviklet av et konsortium av europeisk forsker i samarbeid med ESO.
Disse bildene inneholdt alle eksempler på lysende røde galakser (LRG), hvorav tre er kjent for å være gravitasjonslinser. Opprinnelig fant nevrale nettverk 761 gravitasjonslinsekandidater i denne prøven. Etter å ha inspisert disse kandidatene visuelt, klarte teamet å begrense listen ned til 56 linser. Disse må fremdeles bekreftes av romteleskoper i fremtiden, men resultatene var ganske positive.
Som de antyder i studien, kan et slikt nevralt nettverk, når det brukes på større datasett, avsløre hundrevis eller til og med tusenvis av nye linser:
"Et konservativt estimat basert på resultatene våre viser at det med vår foreslåtte metode burde være mulig å finne? 100 massive LRG-galakslinser på z ~> 0,4 i KiDS når de er fullført. I det mest optimistiske scenariet kan dette antallet vokse betraktelig (maksimalt 2400 linser) når man utvider fargestørrelsesvalget og trener CNN til å gjenkjenne mindre bildeseparasjonslinsesystemer. ”
I tillegg oppdaget nevrale nettverket to av de kjente linsene i datasettet, men bommet på det tredje. Dette skyldtes imidlertid at dette objektivet var spesielt lite og nevrale nettverket ikke ble opplært til å oppdage linser av denne størrelsen. I fremtiden håper forskerne å rette opp for dette ved å trene det nevrale nettverket for å legge merke til mindre linser og avvise falske positiver.
Men selvfølgelig er det endelige målet her å fjerne behovet for visuell inspeksjon helt. På denne måten ville astronomer bli frigjort fra å måtte gjøre gryntarbeid, og kunne vie mer tid til oppdagelsesprosessen. På omtrent samme måte kan maskinlæringsalgoritmer brukes til å søke gjennom astronomiske data etter signaler om gravitasjonsbølger og eksoplaneter.
På samme måte som hvordan andre næringer søker å gi mening ut fra terabytes til forbruker eller andre typer "big data", kan feltet astrofysikk og kosmologi stole på kunstig intelligens for å finne mønstrene i et univers av rå data. Og utbetalingen vil sannsynligvis ikke være noe mindre enn en akselerert oppdagelsesprosess.
