Neuronnätverk används för att hjälpa bygga en 3D-karta av universum

Astronomer från University of Hawaiis astronomiavdelning använde nyligen AI-algoritmer för att skapa en massiv 3D-karta över över 3 miljarder himlakroppar. Astronomilaget använde sig av spektroskopiska data och neuronnätverksklassificeringsalgoritmer för att utföra uppgiften.

Tillbaka i 2016 släppte astronomer från University of Hawaii at Manoa (UHM) Institute for Astronomy en stor dataset som innehöll observationsdata för över 3 miljarder stjärnor, galaxer och andra himlakroppar, insamlade under 4 års observationer av cirka tre fjärdedelar av natthimlen. Projektet kallades Pan-STARRS-projektet och datasetet det producerade var cirka 2 petabyte (två miljoner gigabyte) stort.

Som Hans-Walter Rix, chef för avdelningen för galaxer och kosmologi vid Max Planck-institutet för astronomi förklarade enligt Phys.org:

“Pan-STARRS1 kartlade vår hemmagalax, Vintergatan, till en detaljnivå som aldrig tidigare uppnåtts. Undersökningen ger, för första gången, en djup och global vy av en betydande del av Vintergatans plan och skiva… Dess unika kombination av avbildningsdjup, område och färger gjorde det möjligt att upptäcka majoriteten av de mest avlägsna kända kvarkarna: dessa är de tidigaste exemplen i vårt universum som jätte-svarta hål hade vuxit i centrum av galaxer”.

En av målen med att släppa datasetet var att det skulle användas för att skapa en karta över den observerbara himlen, genom att klassificera de många ljuspunkter som observerades i datasetet. Forskare som var involverade i Pan-STARRS-projektet använde datasetet för att träna maskinlärningsalgoritmer som kunde användas för att generera kartan.

Forskarna vid University of Hawaii arbetar med teleskopet PS1, som är beläget på Big Island i Hawaii. PS1 kan skanna cirka 75% av den observerbara himlen. Teleskopet är världens största djupmultifärgs-optiska undersökning, och forskarna ville utnyttja denna kraft för att skapa en sofistikerad himlakarta. Detta innebar att träna PS1:s datorer att klassificera objekt, genom att skilja på en typ av himlakropp från en annan typ. Datasetet som användes för att träna datorn innehöll miljontals mätningar, karakteriserade av egenskaper som storlek och färg.

De AI-algoritmer som användes var vanliga feedforward-neuronnätverk kombinerade med optimeringsmetoder som gjorde det möjligt för nätverken att lära sig de komplexa relationerna mellan de miljontals datapunkterna. Robert Beck, tidigare postdoktor i kosmologi vid UHM:s institut för astronomi, förklarade att state-of-the-art-optimeringsalgoritmer användes för att träna datorn på de cirka 4 miljoner himlakropparna som beskrevs av datasetet. Som TechExplorist rapporterade, var forskarteamet också tvunget att korrigera för störningar orsakade av damm inom Vintergatan. Forskarteamet använde en Monte-Carlo-sampling-metod för att uppskatta osäkerheten som skapades på grund av fotometrisk rödförskjutning (en uppskattning av en objekts hastighet) och sedan träna maskinlärningsmodellen på de spektroskopiska data.

Efter att modellen hade tränats, kontrollerades dess prestanda på en valideringsdataset. Nätverket identifierade framgångsrikt cirka 96,6% av kvarkarna, 97,8% av stjärnorna och 98,1% av galaxerna. Dessutom förutsade modellen avståndet till galaxer och när det kontrollerades var förutsägelserna bara avvikande med cirka 3%.

Slutresultatet av AI-träningen och användningen var världens största 3D-katalog över stjärnor, kvarkar och galaxer. Medförfattare till studien Kenneth Chambers förklarade, som citerades av Gizmodo, att modellerna som användes för att generera kartan borde kunna användas igen när allt mer data samlas in, vilket förbättrar kartan ytterligare och förbättrar vår förståelse av vårt solsystem och universum. Forskare kommer att kunna använda kartan för att få insikt i universums form och bestämma var vår kosmologiska modell inte stämmer överens med de nya projekteringarna.