우주의 3D 지도를 구축하는 데 사용되는 신경망

하와이 대학교 천문학과의 천문학자들은 최근 AI를 활용한 3억 개 이상의 천체로 구성된 거대한 3D 지도를 지도로 만드는 알고리즘. 천문학 팀은 작업을 수행하기 위해 분광 데이터와 신경망 분류 알고리즘을 사용했습니다.

2016년에 하와이 대학교 마노아(UHM) 천문학 연구소의 천문학자들은 3억 개가 넘는 별, 은하 및 기타 천체에 대한 관측 데이터가 포함된 방대한 데이터 세트를 대중에게 공개했습니다. 밤하늘의 4분의 2. 이 프로젝트는 Pan-STARRS 프로젝트라고 불렸으며 생성된 데이터 세트의 크기는 약 XNUMX페타바이트(XNUMX백만 기가바이트)였습니다.

Max Plank Institutes for Astronomy의 Galaxies and Cosmology 부서 책임자인 Hans-Walter Rix는 다음과 같이 설명했습니다. Phys.org에 따르면:

“Pan-STARRS1은 우리의 고향 은하인 은하수를 이전에 달성하지 못한 수준으로 상세하게 매핑했습니다. 이번 조사는 처음으로 우리은하 평면과 원반의 상당 부분에 대한 심도 있고 전체적인 시야를 제공합니다. 이미징 깊이, 영역 및 색상의 독특한 조합을 통해 가장 멀리 떨어져 있는 알려진 퀘이사 대부분을 발견할 수 있었습니다. 거대한 블랙홀이 은하의 중심에서 성장한 우리 우주의 가장 초기 사례입니다.”

데이터 세트를 공개하는 목적 중 하나는 데이터 세트에서 관찰된 여러 빛 지점을 분류하여 관측 가능한 하늘의 지도를 만드는 데 사용되는 것이었습니다. Pan-STARRS 프로젝트에 참여한 연구원들은 데이터 세트를 사용하여 지도를 생성하는 데 사용할 수 있는 기계 학습 알고리즘을 훈련했습니다.

하와이 대학교 연구원들은 하와이의 빅 아일랜드에 위치한 PS1 망원경으로 작업합니다. PS1은 관측 가능한 하늘의 약 75%를 스캔할 수 있습니다. 망원경은 세계에서 가장 큰 다색 심도 광학 측량이며 연구자들은 정교한 하늘 지도를 구축하기 위해 이 힘을 활용하기를 원했습니다. 여기에는 천체의 한 유형을 다른 유형과 구별하여 물체를 분류하도록 PS1의 컴퓨터를 훈련시키는 것이 포함되었습니다. 그들이 컴퓨터를 훈련시키는 데 사용한 데이터 세트에는 크기 및 색상과 같은 기능으로 특징지어지는 수백만 개의 측정값이 포함되어 있습니다.

사용된 AI 알고리즘은 네트워크가 수백만 개의 데이터 포인트 간의 복잡한 관계를 학습할 수 있도록 하는 최적화 방법과 결합된 일반 피드포워드 신경망이었습니다. UHM 천문학 연구소의 전 우주학 박사후 연구원인 Robert Beck은 최첨단 최적화 알고리즘이 데이터 세트에서 설명하는 약 4만 개의 천체에 대해 컴퓨터를 훈련하는 데 사용되었다고 설명했습니다. TechExplorist가 보고한 바와 같이, 연구팀은 또한 은하수 내부의 먼지 간섭을 수정해야 했습니다. 연구팀은 Monte-Carlo 샘플링 방법을 사용하여 측광 적색편이 (물체의 속도 추정) 그런 다음 분광 데이터에 대한 기계 학습 모델을 교육했습니다.

모델이 학습된 후 검증 데이터 세트에서 성능을 확인했습니다. 이 네트워크는 약 96.6%의 퀘이사, 97.8%의 별, 98.1%의 은하를 성공적으로 식별했습니다. 또한, 이 모델은 은하까지의 거리를 예측했으며 확인했을 때 예측은 약 3%만 빗나갔습니다.

AI 교육 및 활용의 최종 결과는 세계에서 가장 큰 별, 퀘이사 및 은하의 3D 카탈로그. 연구의 공동 저자인 Kenneth Chambers는 다음과 같이 설명했습니다. Gizmodo에서 인용 한대로, 지도를 생성하는 데 사용된 모델은 점점 더 많은 데이터가 수집됨에 따라 다시 사용될 수 있어야 하며, 지도를 더욱 개선하고 태양계와 우주에 대한 이해를 향상시킵니다. 과학자들은 지도를 사용하여 우주의 모양에 대한 통찰력을 얻고 우리의 우주론 모델이 새로운 예상과 일치하지 않는 부분을 결정할 수 있습니다.