Neuronale netwerken worden gebruikt om een 3D-kaart van het universum te helpen bouwen

Astronomen van de afdeling Astronomie van de Universiteit van Hawaï hebben onlangs gebruik gemaakt van AI-algoritmen om een enorme 3D-kaart van meer dan 3 miljard hemellichamen te maken. Het team van astronomen maakte gebruik van spectroscopische gegevens en neurale netwerkclassificatie-algoritmen om deze taak te volbrengen.

Terug in 2016 hebben astronomen van de Universiteit van Hawaï op Manoa (UHM) een enorm dataset vrijgegeven met observationele gegevens voor meer dan 3 miljard sterren, melkwegstelsels en andere hemellichamen, verzameld over 4 jaar van observaties van ongeveer driekwart van de nachtelijke hemel. Het project heette het Pan-STARRS-project en de gegenereerde dataset was ongeveer 2 petabytes (twee miljoen gigabytes) groot.

Volgens Hans-Walter Rix, de directeur van de afdeling Galaxies en Kosmologie van de Max Planck-instituten voor Astronomie, zoals gemeld door Phys.org:

“Pan-STARRS1 heeft onze thuisgalaxie, de Melkweg, in kaart gebracht met een niveau van detail dat nooit eerder is bereikt. De enquête biedt voor het eerst een diepe en globale kijk op een aanzienlijk deel van het Melkweg-vlak en -schijf… De unieke combinatie van beelddiepte, oppervlakte en kleuren stelde het in staat om de meerderheid van de meest verre bekende quasars te ontdekken: dit zijn de vroegste voorbeelden in ons universum dat reusachtige zwarte gaten zijn gegroeid in het centrum van melkwegstelsels”.

Een van de doelen van het vrijgeven van de dataset was dat het zou worden gebruikt om een kaart van de waarneembare hemel te maken, waarbij de vele lichtpunten die in de dataset werden waargenomen, zouden worden geclassificeerd. Onderzoekers die betrokken waren bij het Pan-STARRS-project, gebruikten de dataset om machine learning-algoritmen te trainen die ze konden gebruiken om de kaart te genereren.

De onderzoekers van de Universiteit van Hawaï werken met de PS1-telescoop, gelegen op het eiland Hawaï. De PS1 kan ongeveer 75% van de waarneembare hemel scannen. De telescoop is de grootste diepe multicolor-optische enquête ter wereld, en de onderzoekers wilden deze kracht gebruiken om een geavanceerde hemelkaart te maken. Dit hield in dat de computers van de PS1 getraind moesten worden om objecten te classificeren, waarbij onderscheid werd gemaakt tussen verschillende soorten hemellichamen. De dataset die ze gebruikten om de computer te trainen, bevatte miljoenen metingen, gekenmerkt door eigenschappen zoals grootte en kleur.

De gebruikte AI-algoritmen waren normale feedforward neurale netwerken in combinatie met optimalisatiemethoden die het mogelijk maakten voor de netwerken om de complexe relaties tussen de miljoenen datapunten te leren. Robert Beck, voormalig postdoc cosmologie aan het UHM’s Instituut voor Astronomie, legde uit dat state-of-the-art optimalisatie-algoritmen werden gebruikt om de computer te trainen op ongeveer 4 miljoen hemellichamen die werden beschreven door de dataset. Zoals TechExplorist rapporteerde, moest het onderzoeksteam ook correcties aanbrengen voor de interferentie van stof binnen de Melkweg. Het onderzoeksteam gebruikte een Monte-Carlo-steekproefmethode om de onzekerheid te schatten die werd gegenereerd door de photometrische roodverschuiving (een schatting van de snelheid van een object) en trainde vervolgens het machine learning-model op de spectroscopische gegevens.

Nadat het model was getraind, werd de prestatie gecontroleerd op een validatiedataset. Het netwerk identificeerde met succes ongeveer 96,6% van de quasars, 97,8% van de sterren en 98,1% van de melkwegstelsels. Bovendien voorspelde het model de afstand tot melkwegstelsels en toen de voorspellingen werden gecontroleerd, waren ze slechts ongeveer 3% afwijkend.

Het eindresultaat van de AI-training en -gebruik was de grootste 3D-catalogus van sterren, quasars en melkwegstelsels ter wereld. Co-auteur van de studie Kenneth Chambers legde uit, zoals geciteerd door Gizmodo, dat de modellen die werden gebruikt om de kaart te genereren, opnieuw zouden kunnen worden gebruikt naarmate meer en meer gegevens worden verzameld, waardoor de kaart verder wordt verbeterd en ons begrip van ons zonnestelsel en het universum wordt verhoogd. Wetenschappers zullen in staat zijn om de kaart te gebruiken om inzicht te krijgen in de vorm van het universum en te bepalen waar ons kosmologisch model niet overeenkomt met de nieuwe projecties.