Jaringan Saraf Digunakan untuk Membantu Membangun Peta 3D Alam Semesta

Astronom dari Departemen Astronomi Universitas Hawaii baru-baru ini menggunakan algoritma AI untuk memetakan dan membangun peta 3D yang masif dari lebih dari 3 miliar benda langit. Tim astronomi menggunakan data spektroskopi dan algoritma klasifikasi jaringan saraf untuk menyelesaikan tugas tersebut.

Di tahun 2016, astronom dari Universitas Hawaii di Manoa (UHM) Institut Astronomi merilis ke publik sebuah dataset yang mengandung data observasi untuk lebih dari 3 miliar bintang, galaksi, dan benda langit lainnya, yang dikumpulkan selama 4 tahun mengamati sekitar tiga perempat langit malam. Proyek ini disebut proyek Pan-STARRS dan dataset yang dihasilkannya memiliki ukuran sekitar 2 petabyte (dua juta gigabyte).

Menurut Hans-Walter Rix, direktur Departemen Galaksi dan Kosmologi di Max Plank Institutes for Astronomy, seperti yang dilaporkan oleh Phys.org:

“Pan-STARRS1 memetakan galaksi kita, Milky Way, ke tingkat detail yang belum pernah dicapai sebelumnya. Survei ini menyediakan, untuk pertama kalinya, pandangan yang dalam dan global dari sebagian besar bidang dan cakram Milky Way… Kombinasi unik dari kedalaman pencitraan, area, dan warna memungkinkan untuk menemukan sebagian besar quasar yang paling jauh yang diketahui: ini adalah contoh awal di alam semesta kita bahwa lubang hitam raksasa telah tumbuh di pusat galaksi”.

Salah satu tujuan merilis dataset adalah agar dapat digunakan untuk membangun peta langit yang dapat diamati, mengklasifikasikan banyak titik cahaya yang diamati dalam dataset. Peneliti yang terlibat dalam proyek Pan-STARRS menggunakan dataset untuk melatih algoritma pembelajaran mesin yang dapat digunakan untuk menghasilkan peta.

Peneliti dari Universitas Hawaii bekerja dengan teleskop PS1, yang terletak di Pulau Besar Hawaii. PS1 dapat memindai sekitar 75% dari langit yang dapat diamati. Teleskop ini adalah survei optik multicolor yang paling dalam di dunia, dan peneliti ingin memanfaatkan kekuatan ini untuk membangun peta langit yang canggih. Ini melibatkan melatih komputer PS1 untuk mengklasifikasikan objek, membedakan satu jenis benda langit dari jenis lain. Dataset yang digunakan untuk melatih komputer berisi jutaan pengukuran, yang dicirikan oleh fitur seperti ukuran dan warna.

Algoritma AI yang digunakan adalah jaringan saraf feedforward normal yang dikombinasikan dengan metode optimasi yang memungkinkan jaringan untuk mempelajari hubungan kompleks antara jutaan titik data. Robert Beck, mantan postdoc kosmologi di UHM Institut Astronomi, menjelaskan bahwa algoritma optimasi terbaru digunakan untuk melatih komputer pada sekitar 4 juta benda langit yang digambarkan oleh dataset. Seperti yang dilaporkan oleh TechExplorist, tim peneliti juga harus memperbaiki gangguan debu dalam galaksi Milky Way. Tim peneliti menggunakan metode sampling Monte-Carlo untuk memperkirakan ketidakpastian yang disebabkan oleh pergeseran merah fotometrik (perkiraan kecepatan suatu objek) dan kemudian melatih model pembelajaran mesin pada data spektroskopi.

Setelah model dilatih, kinerjanya diperiksa pada dataset validasi. Jaringan dengan sukses mengidentifikasi sekitar 96,6% quasar, 97,8% bintang, dan 98,1% galaksi. Selain itu, model memprediksi jarak ke galaksi dan ketika diperiksa, prediksi hanya salah sekitar 3%.

Hasil akhir dari pelatihan dan pemanfaatan AI adalah katalog 3D terbesar dari bintang, quasar, dan galaksi di dunia. Co-penulis studi Kenneth Chambers menjelaskan, seperti yang dikutip oleh Gizmodo, bahwa model yang digunakan untuk menghasilkan peta harus dapat digunakan lagi ketika lebih banyak data dikumpulkan, memperbaiki peta lebih lanjut dan meningkatkan pemahaman kita tentang sistem surya dan alam semesta. Ilmuwan akan dapat menggunakan peta untuk memperoleh wawasan tentang bentuk alam semesta dan menentukan di mana model kosmologi kita gagal selaras dengan proyeksi baru.