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

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

År 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, som samlats in under 4 år av observationer av ungefär tre fjärdedelar av natthimlen. Projektet kallades Pan-STARRS-projektet och datasetet som producerades var ungefär 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 kvazarerna: dessa är de tidigaste exemplen i vårt universum som visar att jätte-svarta hål hade växt i centrum av galaxer”.

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

Forskarna vid University of Hawaii arbetade med PS1-teleskopet, som är beläget på Hawaii-ön. PS1 kan skanna ungefär 75% av den observerbara himlen. Teleskopet är den största djupmultifärgoptiska undersökningen i världen, och forskarna ville utnyttja denna kraft för att skapa en sofistikerad himlakarta. Detta innebar att träna PS1-datorerna 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, som karakteriserades av egenskaper som storlek och färg.

De AI-algoritmer som användes var vanliga feedforward-neuronnätverk i kombination med optimeringsmetoder som tillät nätverken att lära sig de komplexa relationerna mellan de miljontals datapunkterna. Robert Beck, tidigare postdoktor i kosmologi vid UHMs institut för astronomi, förklarade att state-of-the-art-optimeringsalgoritmer användes för att träna datorn på de ungefär 4 miljoner himlakropparna som beskrevs av datasetet. Som TechExplorist rapporterade, forskarteamet var 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 rörelse (en uppskattning av objekts hastighet) och sedan träna maskinlärningsmodellen på de spektroskopiska data.

När modellen var tränad kontrollerades dess prestanda på en valideringsdataset. Nätverket identifierade framgångsrikt ungefär 96,6% av kvazarer, 97,8% av stjärnor och 98,1% av galaxer. Dessutom förutsade modellen avståndet till galaxer och när förutsägelserna kontrollerades var de bara fel med ungefär 3%.

Det slutliga resultatet av AI-träningen och användningen var den största 3D-katalogen av stjärnor, kvazarer och galaxer i världen. 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 projiceringarna.