Νευρωνικά Δίκτυα Χρησιμοποιούνται για τη Βοήθεια στην Κατασκευή ενός 3D Χάρτη του Σύμπαντος

Αστρονόμοι από το Τμήμα Αστρονομίας του Πανεπιστημίου της Χαβάης χρησιμοποίησαν πρόσφατα αλγορίθμους AI για να χαρτογραφήσουν πάνω από 3 δισεκατομμύρια ουράνια αντικείμενα. Η ομάδα αστρονομίας χρησιμοποίησε φασματοσκοπικά δεδομένα και αλγορίθμους ταξινόμησης νευρωνικών δικτύων για να ολοκληρώσει την εργασία.

Το 2016, αστρονομικοί από το Πανεπιστήμιο της Χαβάης στο Μανόα (UHM) δημοσίευσαν ένα τεράστιο σύνολο δεδομένων που περιείχε δεδομένα παρατήρησης για πάνω από 3 δισεκατομμύρια άστρα, γαλαξίες και άλλα ουράνια αντικείμενα, που συλλέχθηκαν κατά τη διάρκεια 4 ετών παρατήρησης του νυχτερινού ουρανού. Το πρόγραμμα ονομάζονταν Pan-STARRS και το σύνολο δεδομένων που παρήγαγε ήταν περίπου 2 πετάβαιτα (δύο εκατομμύρια γιγαμπάιτ) σε μέγεθος.

Όπως εξήγησε ο Hans-Walter Rix, διευθυντής του Τμήματος Γαλαξιών και Κοσμολογίας στο Ινστιτούτο Αστρονομίας Max Plank, σύμφωνα με το Phys.org:

“Το Pan-STARRS1 χαρτογράφησε τον γαλαξία μας, τον Γαλαξία, σε ένα επίπεδο λεπτομέρειας που δεν είχε επιτευχθεί ποτέ πριν. Η έρευνα παρέχει, για πρώτη φορά, μια βαθιά και παγκόσμια άποψη ενός σημαντικού μέρους του επιπέδου και του δίσκου του Γαλαξία… Η μοναδική συνδυασμός του βάθους εικόνας, της περιοχής και των χρωμάτων επέτρεψε να ανακαλυφθούν τα περισσότερα από τα πιο μακρινά γνωστά κβάζαρ: αυτά είναι τα πρώτα παραδείγματα στο σύμπαν μας που οι γιγαντιαίοι μαύροι όλοι είχαν μεγαλώσει στα κέντρα των γαλαξιών”.

Ένα από τους στόχους της δημοσίευσης του συνόλου δεδομένων ήταν ότι θα χρησιμοποιηθεί για την κατασκευή ενός χάρτη του ορατού ουρανού, ταξινομώντας τα πολλά σημεία φωτός που παρατηρήθηκαν στο σύνολο δεδομένων. Ερευνητές που συμμετείχαν στο πρόγραμμα Pan-STARRS χρησιμοποίησαν το σύνολο δεδομένων για να εκπαιδεύσουν αλγορίθμους μηχανικής μάθησης που θα μπορούσαν να χρησιμοποιηθούν για τη δημιουργία του χάρτη.

Οι ερευνητές του Πανεπιστημίου της Χαβάης εργάζονται με το τηλεσκόπιο PS1, το οποίο βρίσκεται στο Büyük Νησί της Χαβάης. Το PS1 μπορεί να σκανάρει περίπου το 75% του ορατού ουρανού. Το τηλεσκόπιο είναι η μεγαλύτερη βαθιά πολλαπλή έρευνα σε οπτικό φάσμα στον κόσμο, και οι ερευνητές ήθελαν να εκμεταλλευτούν αυτή τη δύναμη για να κατασκευάσουν einen προηγμένο χάρτη του ουρανού. Αυτό περιελάμβανε την εκπαίδευση των υπολογιστών του PS1 για να ταξινομήσουν τα αντικείμενα, διακρίνοντας ένα είδος ουράνιου σώματος από ένα άλλο είδος. Το σύνολο δεδομένων που χρησιμοποιήθηκε για την εκπαίδευση του υπολογιστή περιείχε εκατομμύρια μετρήσεις, χαρακτηρισμένες από χαρακτηριστικά όπως το μέγεθος και το χρώμα.

Οι αλγόριθμοι AI που χρησιμοποιήθηκαν ήταν κανονικοί αλγόριθμοι νευρωνικών δικτύων που συνδυάστηκαν με μεθόδους βελτιστοποίησης που επέτρεψαν στα δίκτυα να μάθουν τις σύνθετες σχέσεις μεταξύ των εκατομμυρίων σημείων δεδομένων. Ο Robert Beck, πρώην μεταδιδάκτωρ κοσμολογίας στο Ινστιτούτο Αστρονομίας του UHM, εξήγησε ότι χρησιμοποιήθηκαν αλγόριθμοι βελτιστοποίησης τελευταίας τεχνολογίας για να εκπαιδεύσουν τον υπολογιστή στα περίπου 4 εκατομμύρια ουράνια αντικείμενα που περιγράφονται από το σύνολο δεδομένων. Όπως ανέφερε το TechExplorist, η ερευνητική ομάδα έπρεπε επίσης να διορθώσει την παρέμβαση της σκόνη μέσα στον Γαλαξία. Η ερευνητική ομάδα χρησιμοποίησε μια μέθοδο δειγματοληψίας Monte-Carlo για να εκτιμήσει την αβεβαιότητα που δημιουργήθηκε λόγω της φωτομετρικής μετατόπισης (μια εκτίμηση της ταχύτητας ενός αντικειμένου) και στη συνέχεια εκπαίδευσε το μοντέλο μηχανικής μάθησης στα φασματοσκοπικά δεδομένα.

Μετά την εκπαίδευση του μοντέλου, η απόδοσή του ελέγχθηκε σε ένα σύνολο δεδομένων επαλήθευσης. Το δίκτυο ταυτοποίησε με επιτυχία περίπου το 96,6% των κβάζαρ, το 97,8% των αστέρων και το 98,1% των γαλαξιών. Επιπλέον, το μοντέλο προέβλεψε την απόσταση до των γαλαξιών και όταν ελέγχθηκε, οι προβλέψεις ήταν μόνο περίπου 3% εκτός.

Το τελικό αποτέλεσμα της εκπαίδευσης και της利用 του AI ήταν ο μεγαλύτερος 3D κατάλογος αστέρων, κβάζαρ και γαλαξιών στον κόσμο. Ο συν-συγγραφέας της μελέτης Kenneth Chambers εξήγησε, όπως αναφέρθηκε από το Gizmodo, ότι τα μοντέλα που χρησιμοποιήθηκαν για τη δημιουργία του χάρτη θα πρέπει να μπορούν να χρησιμοποιηθούν ξανά καθώς συλλέγονται περισσότερα δεδομένα, βελτιώνοντας τον χάρτη περαιτέρω και ενισχύοντας την κατανόησή μας για το ηλιακό μας σύστημα και το σύμπαν. Οι επιστήμονες θα能够 να χρησιμοποιήσουν τον χάρτη για να αποκτήσουν γνώσεις για το σχήμα του σύμπαντος και να καθορίσουν πού το κοσμολογικό μας μοντέλο δεν συμμορφώνεται με τις νέες προβολές.