Sieci neuronowe wykorzystywane do pomocy w budowie 3D mapy wszechświata

Astronomowie z wydziału astronomii Uniwersytetu Hawajskiego niedawno wykorzystali algorytmy sztucznej inteligencji , aby stworzyć ogromną 3D mapę ponad 3 miliardów obiektów niebieskich. Zespół astronomiczny wykorzystał dane spektroskopowe i algorytmy klasyfikacji sieci neuronowych, aby wykonać to zadanie.

W 2016 roku astronomowie z Uniwersytetu Hawajskiego na Manoa (UHM) z Instytutu Astronomii udostępnili publicznie ogromny zestaw danych zawierający dane obserwacyjne ponad 3 miliardów gwiazd, galaktyk i innych obiektów niebieskich, zebranych podczas 4 lat obserwacji około trzech czwartych nocnego nieba. Projekt nosił nazwę Pan-STARRS, a wygenerowany przez niego zestaw danych miał rozmiar około 2 petabajtów (dwa miliony gigabajtów).

Jak wyjaśnił Hans-Walter Rix, dyrektor wydziału Galaktyk i Kosmologii w Instytutach Maxa Plancka dla Astronomii, według Phys.org :

“Pan-STARRS1 zmappedował naszą galaktykę macierzystą, Drogę Mleczną, do poziomu szczegółowości, którego wcześniej nie osiągnięto. Badanie dostarcza po raz pierwszy głębokiego i globalnego widoku znacznej części płaszczyzny i dysku Drogi Mlecznej… Jego unikalna kombinacja głębokości obrazowania, obszaru i kolorów pozwoliła odkryć większość najbardziej odległych znanych kwazarów: są to najwcześniejsze przykłady we wszechświecie, że olbrzymie czarne dziury rosły w centrach galaktyk”.

Jednym z celów udostępnienia zestawu danych było to, że zostanie on wykorzystany do stworzenia mapy widzialnego nieba, klasyfikując wiele punktów światła, które zostały zaobserwowane w zestawie danych. Naukowcy zaangażowani w projekt Pan-STARRS wykorzystali zestaw danych do trenowania algorytmów uczenia maszynowego, które mogliby wykorzystać do wygenerowania mapy.

Naukowcy z Uniwersytetu Hawajskiego pracowali z teleskopem PS1, zlokalizowanym na Wielkiej Wyspie Hawajów. Teleskop PS1 może skanować około 75% widzialnego nieba. Teleskop jest największym głębokim, wielokolorowym badaniem optycznym na świecie, a naukowcy chcieli wykorzystać tę moc, aby stworzyć zaawansowaną mapę nieba. Obejmowało to trenowanie komputerów teleskopu PS1 do klasyfikacji obiektów, odróżniania jednego typu obiektu niebieskiego od innego. Zestaw danych, których użyto do trenowania komputera, zawierał miliony pomiarów, charakteryzowanych przez cechy takie jak rozmiar i kolor.

Wykorzystane algorytmy sztucznej inteligencji były normalnymi sieciami neuronowymi z przodu, połączonymi z metodami optymalizacji, które pozwoliły sieciom nauczyć się złożonych relacji między milionami punktów danych. Robert Beck, były postdoktorant kosmologii w Instytucie Astronomii UHM, wyjaśnił, że wykorzystano algorytmy optymalizacji stanu sztuki do trenowania komputera na około 4 milionach obiektów niebieskich opisanych przez zestaw danych. Jak doniósł TechExplorist, zespół badawczy musiał również skorygować interferencję pyłu w galaktyce Drogi Mlecznej. Zespół badawczy wykorzystał metodę próbkowania Monte-Carlo, aby oszacować niepewność wywołaną przez fotometryczną czerwień (oszacowanie prędkości obiektu) i następnie wytrenował model uczenia maszynowego na danych spektroskopowych.

Po wytrenowaniu modelu jego działanie sprawdzono na zestawie danych walidacyjnych. Sieć pomyślnie zidentyfikowała około 96,6% kwazarów, 97,8% gwiazd i 98,1% galaktyk. Ponadto model przewidział odległość do galaktyk i sprawdzono, że przewidywania były tylko o około 3% nieprecyzyjne.

Końcowym rezultatem treningu i wykorzystania sztucznej inteligencji była największa 3D mapa gwiazd, kwazarów i galaktyk na świecie . Współautor pracy Kenneth Chambers wyjaśnił, cytowany przez Gizmodo, że modele wykorzystane do wygenerowania mapy powinny być w stanie być ponownie wykorzystane, gdy zostanie zebranych coraz więcej danych, co poprawi mapę i poszerzy nasze zrozumienie układu słonecznego i wszechświata. Naukowcy będą mogli wykorzystać mapę, aby uzyskać wgląd w kształt wszechświata i określić, gdzie nasz model kosmologiczny nie zgadza się z nowymi projekcjami.