Redes Neuronales Utilizadas para Ayudar a Construir un Mapa 3D del Universo

Astrónomos del departamento de Astronomía de la Universidad de Hawái recientemente hicieron uso de algoritmos de inteligencia artificial para cartografiar y construir un mapa 3D masivo de más de 3 mil millones de objetos celestes. El equipo de astronomía hizo uso de datos espectroscópicos y algoritmos de clasificación de redes neuronales para realizar la tarea.

Hace atrás en 2016, astrónomos de la Universidad de Hawái en Manoa (UHM) del Instituto de Astronomía lanzaron al público un conjunto de datos masivo que contenía datos de observación para más de 3 mil millones de estrellas, galaxias y otros objetos celestes, recopilados durante 4 años de observación alrededor de tres cuartas partes del cielo nocturno. El proyecto se llamaba el proyecto Pan-STARRS y el conjunto de datos que produjo tenía un tamaño aproximado de 2 petabytes (dos millones de gigabytes).

Como explicó Hans-Walter Rix, director del departamento de Galaxias y Cosmología en los Institutos Max Plank de Astronomía, según Phys.org :

“Pan-STARRS1 cartografió nuestra galaxia local, la Vía Láctea, a un nivel de detalle nunca antes logrado. La encuesta proporciona, por primera vez, una visión profunda y global de una fracción significativa del plano y disco de la Vía Láctea… Su combinación única de profundidad de imagen, área y colores permitió descubrir la mayoría de los cuásares más distantes conocidos: estos son los primeros ejemplos en nuestro universo de que agujeros negros gigantes habían crecido en los centros de las galaxias”.

Uno de los objetivos de lanzar el conjunto de datos era que se utilizaría para construir un mapa del cielo observable, clasificando los muchos puntos de luz que se observaron en el conjunto de datos. Los investigadores involucrados en el proyecto Pan-STARRS utilizaron el conjunto de datos para entrenar algoritmos de aprendizaje automático que podrían utilizar para generar el mapa.

Los investigadores de la Universidad de Hawái trabajan con el telescopio PS1, ubicado en la Isla Grande de Hawái. El PS1 puede escanear aproximadamente el 75% del cielo observable. El telescopio es la encuesta óptica multicolor profunda más grande del mundo, y los investigadores querían aprovechar este poder para construir un sofisticado mapa del cielo. Esto involucró entrenar a los computadoras del PS1 para clasificar objetos, distinguiendo un tipo de cuerpo celeste de otro. El conjunto de datos que utilizaron para entrenar a la computadora contenía millones de mediciones, caracterizadas por características como el tamaño y el color.

Los algoritmos de inteligencia artificial utilizados fueron redes neuronales feedforward normales combinadas con métodos de optimización que permitieron a las redes aprender las complejas relaciones entre los millones de puntos de datos. Robert Beck, ex becario postdoctoral de cosmología en el Instituto de Astronomía de UHM, explicó que se utilizaron algoritmos de optimización de última generación para entrenar a la computadora en los aproximadamente 4 millones de objetos celestes descritos por el conjunto de datos. Como informó TechExplorist, el equipo de investigación también tuvo que corregir la interferencia de polvo dentro de la galaxia Vía Láctea. El equipo de investigación utilizó un método de muestreo de Monte-Carlo para estimar la incertidumbre creada debido a la distancia fotométrica (una estimación de la velocidad de un objeto) y luego entrenó al modelo de aprendizaje automático en los datos espectroscópicos.

Después de que el modelo estuvo entrenado, se comprobó su rendimiento en un conjunto de datos de validación. La red identificó con éxito alrededor del 96,6% de los cuásares, el 97,8% de las estrellas y el 98,1% de las galaxias. Además, el modelo predijo la distancia a las galaxias y, cuando se comprobó, las predicciones estaban solo equivocadas en aproximadamente un 3%.

El resultado final del entrenamiento y utilización de la inteligencia artificial fue el catálogo 3D más grande de estrellas, cuásares y galaxias del mundo . El coautor del estudio, Kenneth Chambers, explicó, como se cita en Gizmodo, que los modelos utilizados para generar el mapa deberían poder ser utilizados nuevamente a medida que se recopila más y más datos, mejorando el mapa aún más y mejorando nuestra comprensión del sistema solar y del universo. Los científicos podrán utilizar el mapa para obtener información sobre la forma del universo y determinar dónde nuestro modelo cosmológico no se alinea con las nuevas proyecciones.