Sieci neuronowe wykorzystywane do tworzenia mapy 3D wszechświata

Astronomowie z Wydziału Astronomii Uniwersytetu Hawajskiego niedawno wykorzystali algorytmy sztucznej inteligencji, aby stworzyć ogromną mapę 3D ponad 3 miliardów obiektów niebieskich. Zespół astronomiczny wykorzystał dane spektroskopowe i algorytmy klasyfikacji sieci neuronowych, aby osiągnąć ten cel.

W 2016 roku astronomowie z Uniwersytetu Hawajskiego na Manoa (UHM) opublikowali ogromny zestaw danych zawierający dane obserwacyjne dla 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 zestaw danych miał rozmiar około 2 petabajtów (dwa miliony gigabajtów).

Jak wyjaśnił Hans-Walter Rix, dyrektor departamentu Galaktyk i Kosmologii w Max Planck Institute for Astronomy, zgodnie z Phys.org:

“Pan-STARRS1 zmappedował naszą galaktykę macierzystą, Drogę Mleczną, do poziomu szczegółowości, który nigdy wcześniej nie został osiągnięty. 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 opublikowania zestawu danych było wykorzystanie go 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 machine learning, które mogłyby wygenerować mapę.

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, rozróżniania jednego typu ciała niebieskiego od innego. Zestaw danych, których użyto do trenowania komputera, zawierał miliony pomiarów, charakteryzowanych przez cechy takie jak rozmiar i kolor.

Algorytmy sztucznej inteligencji, które zostały wykorzystane, były normalnymi sieciami neuronowymi z feedforward, połączonymi z metodami optymalizacji, które pozwoliły sieciom nauczyć się złożonych relacji między milionami punktów danych. Robert Beck, były postdoktorant w dziedzinie kosmologii w Instytucie Astronomii UHM, wyjaśnił, że zostały wykorzystane najnowocześniejsze algorytmy optymalizacji, aby trenować komputer na około 4 milionach obiektów niebieskich opisanych przez zestaw danych. Jak doniósł TechExplorist, zespół badawczy musiał również skorygować interferencję pyłu wewnątrz galaktyki Drogi Mlecznej. Zespół badawczy wykorzystał metodę Monte-Carlo do oszacowania niepewności wywołanej przez fotometryczne przesunięcie ku czerwieni (oszacowanie prędkości obiektu) i następnie trenował model machine learning na danych spektroskopowych.

Po wytrenowaniu modelu jego wydajność została sprawdzona 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 gdy sprawdzono przewidywania, okazało się, że są one tylko o około 3% nieprecyzyjne.

Końcowym wynikiem treningu i wykorzystania sztucznej inteligencji była największa katalog 3D gwiazd, kwazarów i galaktyk na świecie. Współautor badania Kenneth Chambers wyjaśnił, cytowany przez Gizmodo, że modele, które zostały wykorzystane do wygenerowania mapy, powinny być w stanie być wykorzystane ponownie, gdy zostanie zebranych coraz więcej danych, co poprawi mapę i zwiększy 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, które będą mogły być używane ponownie, gdy zostanie zebranych coraz więcej danych, poprawiając mapę i zwiększając 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.