Neuronale Netze helfen bei der Erstellung einer 3D-Karte des Universums

Astronomen der Astronomieabteilung der Universität von Hawaii kürzlich KI genutzt Algorithmen zur Kartierung erstellen eine riesige 3D-Karte von über 3 Milliarden Himmelsobjekten. Um die Aufgabe zu erfüllen, nutzte das Astronomieteam spektroskopische Daten und Klassifizierungsalgorithmen für neuronale Netze.

Bereits im Jahr 2016 veröffentlichten Astronomen der Universität von Hawaii am Institut für Astronomie (UHM) in Manoa der Öffentlichkeit einen umfangreichen Datensatz mit Beobachtungsdaten für über 3 Milliarden Sterne, Galaxien und andere Himmelsobjekte, die über einen Zeitraum von vier Jahren durch Beobachtung von etwa drei Milliarden Sternen, Galaxien und anderen Himmelsobjekten gesammelt wurden. Viertel des Nachthimmels. Das Projekt hieß Pan-STARRS-Projekt und der von ihm produzierte Datensatz hatte eine Größe von etwa 4 Petabyte (zwei Millionen Gigabyte).

Wie Hans-Walter Rix, Direktor der Abteilung Galaxien und Kosmologie am Max-Planck-Institut für Astronomie, erklärte nach Phys.org:

„Pan-STARRS1 hat unsere Heimatgalaxie, die Milchstraße, mit einem noch nie dagewesenen Detaillierungsgrad kartiert. Die Durchmusterung bietet zum ersten Mal einen tiefen und globalen Blick auf einen bedeutenden Teil der Milchstraßenebene und -scheibe. Dank ihrer einzigartigen Kombination aus Bildtiefe, -fläche und -farben war es ihr möglich, die meisten der am weitesten entfernten bekannten Quasare zu entdecken: diese sind die frühesten Beispiele in unserem Universum dafür, dass riesige Schwarze Löcher in den Zentren von Galaxien entstanden sind.“

Eines der Ziele der Veröffentlichung des Datensatzes bestand darin, ihn zur Erstellung einer Karte des beobachtbaren Himmels zu verwenden und die vielen im Datensatz beobachteten Lichtpunkte zu klassifizieren. Forscher, die am Pan-STARRS-Projekt beteiligt waren, nutzten den Datensatz, um Algorithmen für maschinelles Lernen zu trainieren, mit denen sie die Karte erstellen konnten.

Die Forscher der University of Hawaii arbeiten mit dem PS1-Teleskop, das sich auf Hawaiis Big Island befindet. Die PS1 kann etwa 75 % des beobachtbaren Himmels scannen. Das Teleskop ist die größte mehrfarbige optische Tiefendurchmusterung der Welt, und die Forscher wollten diese Leistung nutzen, um eine anspruchsvolle Himmelskarte zu erstellen. Dabei mussten die Computer des PS1 darauf trainiert werden, Objekte zu klassifizieren und einen Himmelskörpertyp von einem anderen zu unterscheiden. Der Datensatz, mit dem sie den Computer trainierten, enthielt Millionen von Messungen, die durch Merkmale wie Größe und Farbe gekennzeichnet waren.

Bei den verwendeten KI-Algorithmen handelte es sich um normale Feedforward-Neuronale Netze in Kombination mit Optimierungsmethoden, die es den Netzen ermöglichten, die komplexen Beziehungen zwischen den Millionen von Datenpunkten zu lernen. Robert Beck, ehemaliger Postdoktorand für Kosmologie am Institut für Astronomie der UHM, erklärte, dass modernste Optimierungsalgorithmen verwendet wurden, um den Computer auf die etwa 4 Millionen Himmelsobjekte zu trainieren, die im Datensatz beschrieben werden. Wie TechExplorist berichtete, Das Forschungsteam musste auch die Staubinterferenz innerhalb der Milchstraße korrigieren. Das Forschungsteam nutzte eine Monte-Carlo-Stichprobenmethode, um die dadurch entstandene Unsicherheit abzuschätzen photometrische Rotverschiebung (eine Schätzung der Geschwindigkeit eines Objekts) und trainierte dann das maschinelle Lernmodell anhand der spektroskopischen Daten.

Nachdem das Modell trainiert wurde, wurde seine Leistung anhand eines Validierungsdatensatzes überprüft. Das Netzwerk identifizierte erfolgreich rund 96.6 % der Quasare, 97.8 % der Sterne und 98.1 % der Galaxien. Darüber hinaus sagte das Modell die Entfernung zu Galaxien voraus und bei der Überprüfung lagen die Vorhersagen nur um etwa 3 % daneben.

Das Endergebnis des KI-Trainings und -Einsatzes war der größte 3D-Katalog von Sternen, Quasaren und Galaxien der Welt. Co-Autor der Studie Kenneth Chambers erklärte: wie von Gizmodo zitiert, dass die zur Erstellung der Karte verwendeten Modelle wiederverwendet werden können, wenn immer mehr Daten gesammelt werden, wodurch die Karte weiter verbessert und unser Verständnis unseres Sonnensystems und des Universums verbessert wird. Wissenschaftler können die Karte nutzen, um Einblicke in die Form des Universums zu gewinnen und festzustellen, wo unser kosmologisches Modell nicht mit den neuen Projektionen übereinstimmt.