Reti Neurali Utilizzate per Aiutare a Costruire una Mappa 3D dell’Universo

Gli astronomi del dipartimento di astronomia dell’Università delle Hawaii hanno recentemente utilizzato algoritmi di intelligenza artificiale per creare una vasta mappa 3D di oltre 3 miliardi di oggetti celesti. Il team di astronomia ha utilizzato dati spettroscopici e algoritmi di classificazione di reti neurali per raggiungere l’obiettivo.

Nel 2016, gli astronomi dell’Università delle Hawaii a Manoa (UHM) hanno rilasciato al pubblico un vasto set di dati contenente dati osservativi per oltre 3 miliardi di stelle, galassie e altri oggetti celesti, raccolti in 4 anni di osservazione di circa tre quarti del cielo notturno. Il progetto si chiamava Pan-STARRS e il set di dati che ha prodotto era di circa 2 petabyte (due milioni di gigabyte) di dimensioni.

Come ha spiegato Hans-Walter Rix, direttore del dipartimento di Galassie e Cosmologia dell’Istituto di Astronomia Max Plank secondo Phys.org:

“Pan-STARRS1 ha mappato la nostra galassia di casa, la Via Lattea, con un livello di dettaglio mai raggiunto prima. La survey fornisce, per la prima volta, una visione profonda e globale di una frazione significativa del piano e del disco della Via Lattea… La sua combinazione unica di profondità di imaging, area e colori ha permesso di scoprire la maggior parte dei quasar più lontani conosciuti: questi sono i primi esempi nel nostro universo che i buchi neri giganti si sono formati al centro delle galassie”.

Uno degli obiettivi del rilascio del set di dati era che sarebbe stato utilizzato per costruire una mappa del cielo osservabile, classificando i molti punti di luce che erano stati osservati nel set di dati. I ricercatori coinvolti nel progetto Pan-STARRS hanno utilizzato il set di dati per addestrare algoritmi di apprendimento automatico che potevano essere utilizzati per generare la mappa.

I ricercatori dell’Università delle Hawaii lavorano con il telescopio PS1, situato sull’isola di Hawaii. Il PS1 può scansionare circa il 75% del cielo osservabile. Il telescopio è il più grande sondaggio ottico multicolore profondo del mondo e i ricercatori volevano sfruttare questo potere per costruire una sofisticata mappa del cielo. Ciò ha comportato l’addestramento dei computer del PS1 a classificare gli oggetti, distinguendo un tipo di corpo celeste da un altro. Il set di dati che hanno utilizzato per addestrare il computer conteneva milioni di misurazioni, caratterizzate da caratteristiche come dimensioni e colore.

Gli algoritmi di intelligenza artificiale utilizzati erano reti neurali feedforward normali combinate con metodi di ottimizzazione che hanno permesso alle reti di apprendere le complesse relazioni tra i milioni di punti di dati. Robert Beck, ex postdoc di cosmologia all’Istituto di Astronomia dell’UHM, ha spiegato che sono stati utilizzati algoritmi di ottimizzazione all’avanguardia per addestrare il computer sui circa 4 milioni di oggetti celesti descritti dal set di dati. Come riportato da TechExplorist, il team di ricerca ha anche dovuto correggere per l’interferenza della polvere all’interno della Via Lattea. Il team di ricerca ha utilizzato un metodo di campionamento Monte-Carlo per stimare l’incertezza creata a causa della redshift fotometrica (una stima della velocità di un oggetto) e poi ha addestrato il modello di apprendimento automatico sui dati spettroscopici.

Dopo che il modello è stato addestrato, le sue prestazioni sono state verificate su un set di dati di convalida. La rete ha identificato con successo circa il 96,6% dei quasar, il 97,8% delle stelle e il 98,1% delle galassie. Inoltre, il modello ha previsto la distanza alle galassie e, quando verificato, le previsioni erano solo del 3% diverse.

Il risultato finale dell’addestramento e dell’utilizzo dell’intelligenza artificiale è stato il più grande catalogo 3D di stelle, quasar e galassie del mondo. L’autore del studio Kenneth Chambers ha spiegato, come citato da Gizmodo, che i modelli utilizzati per generare la mappa dovrebbero essere in grado di essere utilizzati nuovamente man mano che vengono raccolti più dati, migliorando ulteriormente la mappa e arricchendo la nostra comprensione del nostro sistema solare e dell’universo. Gli scienziati saranno in grado di utilizzare la mappa per ottenere informazioni sulla forma dell’universo e determinare dove il nostro modello cosmologico non corrisponde alle nuove proiezioni.