Neuuronové sítě použité k pomoci při vytváření 3D mapy vesmíru

Astronomové z astronomického oddělení University of Hawaii nedávno použili algoritmy AI k vytvoření obrovské 3D mapy více než 3 miliard hvězdných objektů. Tým astronomů použil spektroskopická data a algoritmy klasifikace neuronových sítí k dokončení úkolu.

V roce 2016 astronomové z University of Hawaii at Manoa (UHM) Institutu pro astronomii vydali pro veřejnost obrovský datový soubor obsahující pozorovací data pro více než 3 miliardy hvězd, galaxií a dalších hvězdných objektů, shromážděných během 4 let pozorování kolem tří čtvrtin noční oblohy. Projekt se nazýval Pan-STARRS a datový soubor, který vyprodukoval, byl přibližně 2 petabyty (dva miliony gigabytů) velký.

Jak Hans-Walter Rix, ředitel oddělení Galaxie a kosmologie v Max Plank Institute for Astronomy vysvětlil podle Phys.org:

“Pan-STARRS1 zmapoval naší domovskou galaxii, Mléčnou dráhu, na úrovni detailu, která nebyla nikdy dříve dosažena. Průzkum poskytuje, poprvé, hluboký a globální pohled na významnou část roviny a disku Mléčné dráhy… Jeho jedinečná kombinace hloubky snímkování, oblasti a barev umožnila objevit většinu nejvzdálenějších známých kvasarů: tyto jsou nejranějšími příklady ve nosso vesmíru, že obří černé díry rostly ve středu galaxií”.

Jedním z cílů vydání datového souboru bylo, že bude použit k vytvoření mapy pozorovatelné oblohy, klasifikaci mnoha bodů světla, které byly pozorovány v datovém souboru. Výzkumníci zapojení do projektu Pan-STARRS použili datový soubor k trénování algoritmů strojového učení, které by mohly být použity k vygenerování mapy.

Výzkumníci z University of Hawaii pracovali s dalekohledem PS1, umístěným na ostrově Havaj. Dalekohled PS1 může skenovat přibližně 75% pozorovatelné oblohy. Dalekohled je největší hluboký multibarevný optický průzkum na světě a výzkumníci chtěli využít tuto sílu k vytvoření sofistikované mapy oblohy. To zahrnovalo trénování počítačů dalekohledu PS1 k klasifikaci objektů, rozlišení jednoho typu hvězdného objektu od jiného typu. Datový soubor, který byl použit k trénování počítače, obsahoval miliony měření, charakterizovaných funkcemi, jako je velikost a barva.

Algoritmy AI, které byly použity, byly normální feedforward neuronové sítě kombinované s optimalizačními metodami, které umožnily sítím naučit se komplexní vztahy mezi miliony datových bodů. Robert Beck, bývalý postdoktorand v oboru kosmologie na UHM Institutu pro astronomii, vysvětlil, že byly použity nejmodernější optimalizační algoritmy k trénování počítače na přibližně 4 milionech hvězdných objektů popsáných datovým souborem. Jak TechExplorist uvedl, výzkumný tým musel také korigovat interferenci prachu v galaxii Mléčná dráha. Výzkumný tým použil metodu Monte-Carlo k odhadu nejistoty způsobené photometrickým posunem (odhadem rychlosti objektu) a poté trénoval model strojového učení na spektroskopických datech.

Po trénování modelu byla jeho výkonnost ověřena na validačním datovém souboru. Síť úspěšně identifikovala přibližně 96,6% kvasarů, 97,8% hvězd a 98,1% galaxií. Kromě toho model předpovídal vzdálenost k galaxiím a když byla ověřena, předpovědi byly pouze přibližně 3% odchylky.

Konečným výsledkem trénování a využití AI bylo největší 3D katalog hvězd, kvasarů a galaxií na světě. Spoluautor studie Kenneth Chambers vysvětlil, jak je citován na Gizmodo, že modely, které byly použity k vygenerování mapy, by měly být schopny být znovu použity, když bude shromážděno více a více dat, což dále vylepší mapu a verbessí naše porozumění naší sluneční soustavě a vesmíru. Vědci budou moci použít mapu k získání informací o tvaru vesmíru a určit, kde náš kosmologický model selhává ve srovnání s novými projekcemi.