Hermoverkot Käytetään 3D-Kartan Rakentamiseen Maailmankaikkeudesta

Havaijin yliopiston astronomian osastolta tutkimusryhmä on vastikään käyttänyt tekoälyalgoritmeja luodakseen valtavan 3D-kartan yli 3 miljardista taivaankappaleesta. Tutkimusryhmä käytti spektroskooppisia tietoja ja neuroverkkojen luokittelualgoritmeja tehtävän suorittamiseen.

Vuonna 2016 Havaijin yliopiston Manoan (UHM) instituutin tähtitieteen osasto julkaisi yleisölle valtavan tietokannan, joka sisälsi havaintotietoja yli 3 miljardista tähdestä, galaksista ja muista taivaankappaleista, kerättyä neljän vuoden aikana, kun noin kolme neljäsosaa yötaivaasta oli tarkkailtavissa. Hankkeen nimi oli Pan-STARRS-projekti, ja se tuotti noin 2 petatavun (kaksi miljoonaa gigatavua) kokoisen tietokannan.

Hans-Walter Rix, Max Planck -instituutin galaksien ja kosmologian osaston johtaja, selitti Phys.orgin mukaan:

“Pan-STARRS1 kartoitti kotigalaksimme, Linnunradan, tarkkuudella, jota ei ollut aiemmin saavutettu. Tutkimus tarjoaa ensimmäistä kertaa syvän ja laajan näkymän merkittävään osaan Linnunradan tasoa ja levyä… Sen ainutlaatuinen yhdistelmä syvyydestä, alueesta ja väreistä mahdollisti suurimman osan kauimpana tunnetuista kvasaareista, jotka ovat varhaisimmat esimerkit siitä, että jättimäiset mustat aukot olivat kasvaneet galaksien keskuksiin”.

Yksi tietokannan julkaisun tavoitteista oli, että sitä käytettäisiin näkyvän taivaan kartan luomiseen, luokittelemalla tietokannassa havaittuja valopisteitä. Pan-STARRS-projektissa mukana olleet tutkijat käyttivät tietokantaa koulutusaineistona koneoppimisalgoritmeja, joita voitiin käyttää kartan luomiseen.

Havaijin yliopiston tutkijat työskentelevät PS1-teleskoopin kanssa, joka sijaitsee Havaijin suurimmalla saarella. PS1 voi skannata noin 75% näkyvää taivaasta. Teleskooppi on maailman suurin syvä monivärinen optinen tutkimus, ja tutkijat halusivat hyödyntää tämän voiman kehittääkseen edistyneen taivaankartan. Tämä vaati PS1-tietokoneen kouluttamista luokittelualgoritmeja, joilla voitiin erottaa erilaiset taivaankappaleet toisistaan. Koulutusaineistoon kuului miljoonia mittauksia, joilla oli ominaisuuksia kuten koko ja väri.

Käytetyt tekoälyalgoritmit olivat normaaleja eteenpäin suuntautuvia neuroverkkoja, joita yhdistettiin optimointimenetelmiin, jotka mahdollistivat verkkojen oppimisen monimutkaisten suhteiden välillä miljoonista datapisteistä. Robert Beck, entinen kosmologian post doc UHM:n tähtitieteen instituutissa, selitti, että tutkimusryhmä käytti viimeisimmän sukupolven optimointialgoritmeja kouluttaakseen tietokoneen noin 4 miljoonasta taivaankappaleesta, joita tietokanta kuvasi. TechExploristin mukaan tutkimusryhmä joutui myös korjaamaan Linnunradan sisäisen pölyhäiriön vaikutuksen. Tutkimusryhmä käytti Monte-Carlo-otantamenetelmää arvioimaan epävarmuutta, joka johtui fotometrisestä punasiirtymästä (arvio objektiin liittyvän nopeuden suuruudesta) ja koulutti koneoppimismallin spektroskooppisilla tiedoilla.

Mallin koulutuksen jälkeen sen suorituskykyä tarkasteltiin validointitietokannassa. Verkko tunnisti onnistuneesti noin 96,6% kvasaareista, 97,8% tähdistä ja 98,1% galakseista. Lisäksi malli ennusti galaksien etäisyydet, ja kun ennusteita tarkasteltiin, ne olivat vain noin 3% virheellisiä.

Tutkimuksen lopputuloksena oli maailman suurin 3D-katalogi tähdistä, kvasaareista ja galakseista. Tutkimuksen kirjoittaja Kenneth Chambers selitti Gizmodolle, että mallit, joita käytettiin kartan luomiseen, voivat olla käytettävissä uudelleen, kun kerätään yhä enemmän tietoja, jolloin kartta paranee ja parantaa ymmärrystämme aurinkokunnastamme ja maailmankaikkeudesta. Tutkijat voivat käyttää karttaa saadakseen tietoa maailmankaikkeuden muodosta ja määrittääkseen, missä meidän kosmologinen mallimme ei vastaa uusia projektiota.