Neurale nettverk brukes til å hjelpe med å bygge 3D-kart over universet

Astronomer fra University of Hawaiis astronomiavdeling har nylig brukt AI-algoritmer til å bygge et massivt 3D-kart over over 3 milliarder himmellegemer. Astronomilaget brukte spektroskopiske data og neurale nettverksklassifiseringsalgoritmer til å fullføre oppgaven.

Tilbake i 2016 slapp astronomer fra University of Hawaii at Manoa (UHM) Institute for Astronomy ut en enorm datasett som inneholdt observasjonsdata for over 3 milliarder stjerner, galakser og andre himmellegemer, samlet inn over 4 år med å observere rundt tre kvartaler av nattehimmelen. Prosjektet het Pan-STARRS-prosjektet og datasettene det produserte var omtrent 2 petabyte (to millioner gigabyte) store.

Som Hans-Walter Rix, direktør for Galaxies and Cosmology-avdelingen ved Max Planck-instituttene for astronomi forklarte ifølge Phys.org:

“Pan-STARRS1 kartla vår hjemgalakse, Melkeveien, til en detaljnivå som aldri tidligere var oppnådd. Undersøkelsen gir, for første gang, en dyp og global utsikt over en betydelig del av Melkeveiens plane og skive… Dens unike kombinasjon av bilde-dybde, område og farger tillot det å oppdage majoriteten av de mest fjerne kjente kvasarene: disse er de tidligste eksemplene i vårt univers som viser at gigantiske svarte hull hadde vokst i sentrum av galaksene”.

En av målene med å slippe ut datasettene var at de skulle brukes til å bygge et kart over den observerbare himmelen, klassifisere de mange lyspunktene som ble observerte i datasettene. Forskerne som var involvert i Pan-STARRS-prosjektet brukte datasettene til å trene maskinlæringsalgoritmer som de kunne bruke til å generere kartet.

Forskerne fra University of Hawaii arbeidet med PS1-teleskopet, som ligger på Hawaiis store øy. PS1 kan skanne omtrent 75% av den observerbare himmelen. Teleskopet er den største dype multikolorerte optiske undersøkelsen i verden, og forskerne ønsket å utnytte denne kraften til å bygge et sofistikert himmelkart. Dette innebar å trene PS1-computere til å klassifisere objekter, å skille en type himmellegeme fra en annen type. Datasettene de brukte til å trene computeren inneholdt millioner av målinger, karakterisert av egenskaper som størrelse og farge.

AI-algoritmene som ble brukt var vanlige feedforward neurale nettverk kombinert med optimeringsmetoder som tillot nettverkene å lære de komplekse relasjonene mellom millioner av datapunkter. Robert Beck, tidligere kosmologi-postdoktor ved UHMs Institute for Astronomy, forklarte at state-of-the-art optimeringsalgoritmer ble brukt til å trene computeren på omtrent 4 millioner himmellegemer beskrevet av datasettene. Som TechExplorist rapporterte, forskerteamet måtte også korrigere for interferensen av støv innen Melkeveien-galaksen. Forskerteamet brukte en Monte-Carlo-sampling-metode til å estimere usikkerheten skapt på grunn av photometrisk rødskift (en estimat av hastigheten til et objekt) og deretter trene maskinlæringsmodellen på de spektroskopiske dataene.

Etter at modellen var trent, ble dens ytelse sjekket på en valideringsdatasett. Nettverket identifiserte med hell omtrent 96,6% av kvasarene, 97,8% av stjernene og 98,1% av galaksene. I tillegg forutså modellen avstanden til galaksene og når forutsagnene ble sjekket, var de bare feil med omtrent 3%.

Slutresultatet av AI-treningen og -bruk var den største 3D-katalogen over stjerner, kvasarer og galakser i verden. Medforfatter på studien Kenneth Chambers forklarte, som sitert av Gizmodo, at modellene som ble brukt til å generere kartet skulle kunne brukes igjen når mer og mer data ble samlet inn, forbedre kartet ytterligere og forbedre vår forståelse av vårt solsystem og universet. Vitenskapsmenn vil kunne bruke kartet til å få innsikt i formen på universet og bestemme hvor vår kosmologiske modell ikke stemmer overens med de nye prosjektene.