Нейронные сети используются для создания 3D-карты Вселенной

Астрономы из отделения астрономии Университета Гавайев недавно использовали алгоритмы ИИ, чтобы создать огромную 3D-карту более 3 миллиардов небесных объектов. Астрономическая команда использовала спектроскопические данные и алгоритмы классификации нейронных сетей, чтобы выполнить эту задачу.

В 2016 году астрономы из Института астрономии Университета Гавайев на Мауи (UHM) выпустили для общественности огромный набор данных, содержащий наблюдательные данные для более 3 миллиардов звезд, галактик и других небесных объектов, собранных за 4 года наблюдения примерно трех четвертей ночного неба. Проект назывался проектом Pan-STARRS, а набор данных, который он произвел, составил примерно 2 петабайта (два миллиона гигабайт) размером.

Как объяснил Ханс-Вальтер Рикс, директор отделения галактик и космологии в Институте астрономии Макса Планка по данным Phys.org:

“Pan-STARRS1 картографировал нашу родную галактику, Млечный Путь, до уровня детализации, никогда ранее не достигнутого. Обзор предоставляет, впервые, глубокий и глобальный вид значительной части плоскости и диска Млечного Пути… Его уникальное сочетание глубины изображения, площади и цветов позволило ему открыть большинство самых дальних известных квазаров: это самые ранние примеры в нашей Вселенной, когда гигантские черные дыры выросли в центрах галактик”.

Одной из целей выпуска набора данных было то, что он будет использоваться для создания карты наблюдаемого неба, классифицирующей многие точки света, наблюдаемые в наборе данных. Исследователи, участвовавшие в проекте Pan-STARRS, использовали набор данных для обучения алгоритмов машинного обучения, которые они могли использовать для генерации карты.

Исследователи Университета Гавайев работают с телескопом PS1, расположенным на Большом острове Гавайев. Телескоп PS1 может сканировать примерно 75% наблюдаемого неба. Телескоп является крупнейшим глубоким многоцветным оптическим обзором в мире, и исследователи хотели использовать эту силу, чтобы создать сложную карту неба. Это включало обучение компьютеров телескопа PS1 классифицировать объекты, различая один тип небесного тела от другого. Набор данных, который они использовали для обучения компьютера, содержал миллионы измерений, характеризованных такими особенностями, как размер и цвет.

Использованные алгоритмы ИИ были нормальными прямыми нейронными сетями, объединенными с методами оптимизации, которые позволяли сетям学习 сложные отношения между миллионами точек данных. Роберт Бек, бывший постдок по космологии в Институте астрономии UHM, объяснил, что были использованы современные методы оптимизации для обучения компьютера на примерно 4 миллионах небесных объектов, описанных набором данных. Как сообщил TechExplorist, исследовательская команда также должна была исправить помехи от пыли внутри галактики Млечный Путь. Исследовательская команда использовала метод Монте-Карло для оценки неопределенности, созданной из-за фотометрического красного смещения (оценки скорости объекта) и затем обучила модель машинного обучения на спектроскопических данных.

После того, как модель была обучена, ее производительность была проверена на наборе данных для проверки. Сеть успешно идентифицировала около 96,6% квазаров, 97,8% звезд и 98,1% галактик. Кроме того, модель предсказала расстояние до галактик, и когда были проверены прогнозы, они были только примерно на 3% неверными.

Окончательным результатом обучения и использования ИИ было создание крупнейшего 3D-каталога звезд, квазаров и галактик в мире. Соавтор исследования Кеннет Чеймберс объяснил, как цитирует Gizmodo, что модели, использованные для генерации карты, должны быть способны быть использованными снова, когда будет собрано все больше и больше данных, улучшая карту дальше и повышая наше понимание нашей солнечной системы и Вселенной. Ученые смогут использовать карту, чтобы получить представление о форме Вселенной и определить, где наша космологическая модель не соответствует новым проекциям.