Neuuronové sítě použité k vytvoření 3D mapy vesmíru

Astronomové z astronomického oddělení University of Hawaii nedávno použili algoritmy umělé inteligence k vytvoření obrovské 3D mapy více než 3 miliard nebeských objektů. Tým astronomů využil spektroskopická data a klasifikační algoritmy neuronových sítí k dokončení úkolu.

V roce 2016 astronomové z University of Hawaii at Manoa (UHM) Institutu pro astronomii zveřejnili pro veřejnost obrovský dataset obsahující pozorovací data pro více než 3 miliardy hvězd, galaxií a dalších nebeských objektů, shromážděných během 4 let pozorování asi tří čtvrtin noční oblohy. Projekt se nazýval Pan-STARRS a dataset, který produkoval, měl přibližně 2 petabyty (dvě miliony gigabytů) velikosti.

Jako Hans-Walter Rix, ředitel oddělení Galaxie a kosmologie v Max Planck Institutes for Astronomy vysvětlil podle Phys.org:

“Pan-STARRS1 zmapoval naší domovskou galaxii, Mléčnou dráhu, na úrovni detailu, která nebyla dosud nikdy 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 naší vesmíru, že obří černé díry rostly ve středu galaxií”.

Jedním z cílů zveřejnění datasetu bylo, že by měl být použit k vytvoření mapy pozorovatelné oblohy, klasifikující многие body světla, které byly pozorovány v datasetu. Výzkumníci zapojení do projektu Pan-STARRS použili dataset k výcviku algoritmů strojového učení, které by mohly být použity k vygenerování mapy.

Výzkumníci z University of Hawaii pracovali s dalekohledem PS1, umístěným na ostrově Hawaii. Dalekohled PS1 může skenovat asi 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 výcvik počítačů dalekohledu PS1 k klasifikaci objektů, rozlišování jednoho typu nebeského tělesa od jiného typu. Dataset, který byl použit k výcviku počítače, obsahoval miliony měření, charakterizovaných funkcemi, jako je velikost a barva.

Algoritmy umělé inteligence, které byly použity, byly normální feedforward neuronové sítě kombinované s optimalizačními metodami, které umožnily sítím naučit se komplexní vztahy mezi miliony bodů dat. Robert Beck, bývalý postdoktorand v oboru kosmologie v UHM Institutu pro astronomii, vysvětlil, že byly použity nejmodernější optimalizační algoritmy k výcviku počítače na přibližně 4 milionech nebeských objektů popsáných datasetem. Jak TechExplorist hlásil, výzkumný tým musel také korigovat interferenci prachu uvnitř Mléčné dráhy. Výzkumný tým použil metodu Monte-Carlo k odhadu nejistoty způsobené fotometrickým rudým posunem (odhadem rychlosti objektu) a poté vyškolil model strojového učení na spektroskopických datech.

Po dokončení výcviku modelu byla jeho výkonnost ověřena na validačním datasetu. Síť úspěšně identifikovala asi 96,6% kvasarů, 97,8% hvězd a 98,1% galaxií. Kromě toho model předpovídal vzdálenost k galaxiím a když byly ověřeny předpovědi, byly pouze asi o 3% odchýleny.

Výsledkem výcviku a využití umělé inteligence byla největší 3D katalog hvězd, kvasarů a galaxií na světě. Spoluautor studie Kenneth Chambers vysvětlil, jak citoval Gizmodo, že modely použité k vygenerování mapy by měly být schopny být použity znovu, jakmile bude shromážděno více a více dat, což dále vylepší mapu a rozšíří naše chápání našeho slunečního systému a vesmíru. Vědci budou moci použít mapu k získání přehledu o tvaru vesmíru a určit, kde náš kosmologický model selhává ve srovnání s novými projekcemi.