Neurale Netværk Bruges Til At Hjælpe Med At Bygge En 3D-Kort Over Universet

Astronomer fra University of Hawaiis astronomi-afdeling har nylig brugt AI-algoritmer til at opbygge et massivt 3D-kort over mere end 3 milliarder himmellegemer. Astronomiholdet brugte spektroskopiske data og neurale netværksklassificeringsalgoritmer til at udføre opgaven.

Tilbage i 2016 offentliggjorde astronomer fra University of Hawaii at Manoa (UHM) Institute for Astronomy en enorm dataset, der indeholdt observationsdata for over 3 milliarder stjerner, galakser og andre himmellegemer, som var indsamlet over 4 år med observationer af omkring tre kvart af nattehimlen. Projektet hed Pan-STARRS-projektet, og datasettet var omkring 2 petabytes (to millioner gigabyte) stort.

Som Hans-Walter Rix, direktør for Galakser og Kosmologi-afdelingen på Max Planck-institutterne for Astronomi, forklarede ifølge Phys.org:

“Pan-STARRS1 kortlagde vores hjemgalakse, Mælkevejen, med en detaljegrad, der ikke var opnået før. Undersøgelsen giver for første gang en dyb og global visning af en betydelig del af Mælkevejens plane og skive… Dens unikke kombination af billeddybde, areal og farver gjorde det muligt at opdage de fleste af de fjerneste kendte kvæsar: disse er de tidligste eksempler i vores univers, hvor kæmpe sorte huller havde udviklet sig i centrum af galakser”.

En af målene med at offentliggøre datasettet var, at det ville blive brugt til at opbygge et kort over den observerbare himmel, hvor man klassificerede de mange lyspunkter, der var observeret i datasettet. Forskerne, der var involveret i Pan-STARRS-projektet, brugte datasettet til at træne maskinelæringsalgoritmer, som de kunne bruge til at generere kortet.

Forskerne fra University of Hawaii arbejder med PS1-teleskopet, der er placeret på Hawaiis Big Island. PS1 kan scannen af omkring 75% af den observerbare himmel. Teleskopet er den største dybe multifarvede optiske undersøgelse i verden, og forskerne ønskede at udnytte denne kraft til at opbygge et sofistikeret himmelkort. Dette involverede at træne PS1-computere til at klassificere objekter, hvor man skelnede en type himmellelegeme fra en anden type. Datasettet, der blev brugt til at træne computeren, indeholdt millioner af målinger, der var karakteriseret ved egenskaber som størrelse og farve.

De AI-algoritmer, der blev brugt, var normale feedforward neurale netværk kombineret med optimeringsmetoder, der tillod netværkene at lære de komplekse relationer mellem de millioner af datapunkter. Robert Beck, tidligere kosmologi-postdoc ved UHMs Institute for Astronomy, forklarede, at state-of-the-art optimeringsalgoritmer blev brugt til at træne computeren på de omkring 4 millioner himmellelegemer, der var beskrevet i datasettet. Som TechExplorist rapporterede, forskerholdet måtte også korrigere for interferensen fra støv inden for Mælkevejen-galaksen. Forskerholdet brugte en Monte-Carlo-sampling-metode til at estimere usikkerheden, der blev skabt på grund af photometrisk rødskift (en estimation af objekters hastighed) og derefter trænede maskinelæringsmodellen på de spektroskopiske data.

Efter at modellen var trænet, blev dens præstationer kontrolleret på en valideringsdataset. Netværket identificerede med succes omkring 96,6% af kvæsar, 97,8% af stjerner og 98,1% af galakser. Desuden forudsagde modellen afstanden til galakser, og når man kontrollerede forudsætningerne, var de kun forkert med omkring 3%.

Det endelige resultat af AI-træning og -anvendelse var den største 3D-katalog over stjerner, kvæsar og galakser i verden. Medforfatter på studiet Kenneth Chambers forklarede, som citeret af Gizmodo, at modellerne, der blev brugt til at generere kortet, skulle være i stand til at blive brugt igen, efterhånden som der blev indsamlet mere og mere data, hvilket ville forbedre kortet yderligere og forbedre vores forståelse af vores solsystem og universet. Videnskabsmænd vil være i stand til at bruge kortet til at få indsigt i universets form og bestemme, hvor vores kosmologiske model ikke stemmer overens med de nye projekteringer.