Нейронні мережі використовуються для створення 3D-карти Всесвіту

Астрономи з університету Гавайї відділу астрономії недавно використали алгоритми штучного інтелекту для створення масштабної 3D-карти понад 3 мільярдів небесних об’єктів. Команда астрономів використала спектроскопічні дані та алгоритми класифікації нейронних мереж для виконання цієї задачі.

У 2016 році астрономи з університету Гавайї в Маноа (UHM) Інституту астрономії випустили для громадськості величезний набір даних, який містив спостережувані дані для понад 3 мільярдів зір, галактик та інших небесних об’єктів, зібраних за 4 роки спостереження за трьома чвертями нічного неба. Проект назувався проєктом Pan-STARRS, а набір даних, який він створив, мав розмір близько 2 петабайт (два мільйона гігабайт).

Як пояснив Ганс-Вальтер Рікс, директор відділу галактик та космології Інституту астрономії імені Макса Планка, за даними Phys.org:

“Pan-STARRS1 створив карту нашої рідної галактики, Чумацький Шлях, з рівнями деталізації, яких раніше не досягали. Опитування забезпечило, вперше, глибокий і глобальний погляд на значну частину площини та диска Чумацького Шляху… Його унікальна комбінація глибини зображення, площі та кольорів дозволила відкрити більшість відомих квазарів: ці earliest приклади у нашому Всесвіті, де гігантські чорні діри виросли в центрах галактик”.

Однією з цілей випуску набору даних було те, що його буде використано для створення карти спостережуваного неба, класифікації багатьох точок світла, які були спостережені в наборі даних. Дослідники, які брали участь у проєкті Pan-STARRS, використали набір даних для навчання алгоритмів машинного навчання, які вони могли б використовувати для генерації карти.

Дослідники університету Гавайї працюють з телескопом PS1, розташованим на острові Гавайї. Телескоп PS1 може сканувати близько 75% спостережуваного неба. Телескоп є найбільшим глибоким багатокольоровим оптичним опитуванням у світі, і дослідники хотіли використовувати цю силу для створення складної карти неба. Це включало навчання комп’ютерів телескопа класифікувати об’єкти, розрізняючи один тип небесного тіла від іншого типу. Набір даних, який вони використали для навчання комп’ютера, містив мільйони вимірювань, характеризованих такими ознаками, як розмір і колір.

Алгоритми штучного інтелекту, які були використані, були звичайними нейронними мережами прямого поширення, поєднаними з методами оптимізації, які дозволяли мережам вивчати складні відносини між мільйонами точок даних. Роберт Бек, колишній постдокторант космології в Інституті астрономії UHM, пояснив, що були використані сучасні методи оптимізації для навчання комп’ютера на приблизно 4 мільйонах небесних об’єктів, описаних набором даних. Як повідомляє TechExplorist, команда дослідників також мала виправити інтерференцію пилу всередині галактики Чумацький Шлях. Команда дослідників використала метод Монте-Карло для оцінки невизначеності, створеної через фотометричний червоний зсув (оцінку швидкості об’єкта) і потім навчала модель машинного навчання на спектроскопічних даних.

Після того, як модель була навчена, її продуктивність була перевірена на наборі даних для перевірки. Мережа успішно ідентифікувала близько 96,6% квазарів, 97,8% зір і 98,1% галактик. Крім того, модель передбачала відстань до галактик, і коли були перевірені передбачення, вони були лише на 3% відрізнялися.

Результатом навчання та використання штучного інтелекту стала найбільша 3D-карта зір, квазарів та галактик у світі. Коавтор дослідження Кеннет Чеймберс пояснив, як цитують у Gizmodo, що моделі, які були використані для генерації карти, повинні бути能够 бути використаними знову, коли буде зібрано все більше даних, покращуючи карту далі та поглиблюючи наше розуміння нашої сонячної системи та Всесвіту. Ученні зможуть використовувати карту для отримання уявлення про форму Всесвіту та визначення місця, де наша космологічна модель не збігається з новими проєкціями.