KI-Modelle und Plattformen
Neuronale Netze werden verwendet, um eine 3D-Karte des Universums zu erstellen
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Astronomen der Universität von Hawaii aus der Abteilung für Astronomie haben kürzlich KI-Algorithmen verwendet, um eine massive 3D-Karte von über 3 Milliarden Himmelsobjekten zu erstellen. Das Astronomieteam nutzte spektroskopische Daten und Klassifizierungs-Algorithmen mit neuronalen Netzen, um diese Aufgabe zu erfüllen.
Vor einigen Jahren, im Jahr 2016, veröffentlichten Astronomen der Universität von Hawaii at Manoa (UHM) aus dem Institut für Astronomie ein riesiges Datenset, das Beobachtungsdaten für über 3 Milliarden Sterne, Galaxien und andere Himmelsobjekte enthielt, die über 4 Jahre hinweg bei der Beobachtung von etwa drei Vierteln des Nachthimmels gesammelt wurden. Das Projekt hieß Pan-STARRS-Projekt und das Datenset, das es produzierte, war etwa 2 Petabyte (zwei Millionen Gigabyte) groß.
Wie Hans-Walter Rix, der Leiter der Abteilung für Galaxien und Kosmologie am Max-Planck-Institut für Astronomie, laut Phys.org erklärte:
“Pan-STARRS1 hat unsere Heimatgalaxie, die Milchstraße, in einem Detailgrad kartiert, der bisher noch nie erreicht wurde. Die Umfrage bietet zum ersten Mal eine tiefe und globale Sicht auf einen bedeutenden Teil der Milchstraßen-Ebene und -Scheibe… Die einzigartige Kombination aus Bildtiefe, Fläche und Farben ermöglichte es, die Mehrheit der bekanntesten, entferntesten Quasare zu entdecken: dies sind die frühesten Beispiele in unserem Universum, dass Riesenschwarze Löcher in den Zentren von Galaxien gewachsen sind”.
Eines der Ziele bei der Veröffentlichung des Datensets bestand darin, dass es verwendet werden sollte, um eine Karte des beobachtbaren Himmels zu erstellen, indem die vielen Punkte von Licht, die im Datenset beobachtet wurden, klassifiziert werden. Forscher, die am Pan-STARRS-Projekt beteiligt waren, nutzten das Datenset, um maschinelle Lernalgorithmen zu trainieren, die sie verwenden konnten, um die Karte zu generieren.
Die Forscher der Universität von Hawaii arbeiten mit dem PS1-Teleskop, das auf der Big Island von Hawaii steht. Das PS1 kann etwa 75% des beobachtbaren Himmels scannen. Das Teleskop ist die größte tiefe multikolorierte optische Umfrage der Welt und die Forscher wollten diese Macht nutzen, um eine fortschrittliche Himmelskarte zu erstellen. Dies erforderte das Training der Computer des PS1, um Objekte zu klassifizieren und einen Himmelskörper von einem anderen Typ zu unterscheiden. Das Datenset, das sie zum Trainieren des Computers verwendeten, enthielt Millionen von Messungen, die durch Merkmale wie Größe und Farbe gekennzeichnet waren.
Die verwendeten KI-Algorithmen bestanden aus normalen Feedforward-Neuronalen Netzen 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 State-of-the-Art-Optimierungsalgorithmen verwendet wurden, um den Computer auf die etwa 4 Millionen Himmelsobjekte zu trainieren, die im Datenset beschrieben wurden. Wie TechExplorist berichtete, musste das Forscherteam auch die Störung durch Staub in der Milchstraße-Galaxie korrigieren. Das Forscherteam verwendete eine Monte-Carlo-Stichprobenerfassungsmethode, um die Unsicherheit zu schätzen, die durch die photometrische Rotverschiebung (eine Schätzung der Geschwindigkeit eines Objekts) verursacht wurde, und trainierte dann das maschinelle Lernalmodell auf den spektroskopischen Daten.
Nachdem das Modell trainiert war, wurde seine Leistung auf einem Validierungsdatenset überprüft. Das Netz identifizierte erfolgreich etwa 96,6% der Quasare, 97,8% der Sterne und 98,1% der Galaxien. Darüber hinaus sagte das Modell die Entfernung zu Galaxien voraus und wenn diese überprüft wurden, waren die Vorhersagen nur etwa 3% falsch.
Das Ergebnis des KI-Trainings und der Nutzung war die größte 3D-Katalogisierung von Sternen, Quasaren und Galaxien der Welt. Der Co-Autor der Studie, Kenneth Chambers, erklärte, wie von Gizmodo zitiert, dass die Modelle, die zur Erstellung der Karte verwendet wurden, wieder verwendet werden können, wenn immer mehr Daten gesammelt werden, um die Karte weiter zu verbessern und unser Verständnis des Sonnensystems und des Universums zu erweitern. Wissenschaftler können die Karte verwenden, um Einblicke in die Form des Universums zu gewinnen und zu bestimmen, wo unser kosmologisches Modell nicht mit den neuen Prognosen übereinstimmt.
