Mạng nơ-ron nhân tạo được sử dụng để giúp xây dựng bản đồ 3D của vũ trụ

Các nhà thiên văn học từ bộ phận thiên văn học của Đại học Hawaii gần đây đã sử dụng các thuật toán trí tuệ nhân tạo để xây dựng bản đồ 3D khổng lồ của hơn 3 tỷ vật thể thiên văn. Đội ngũ thiên văn học đã sử dụng dữ liệu quang phổ và thuật toán phân loại mạng nơ-ron để hoàn thành nhiệm vụ.

Vào năm 2016, các nhà thiên văn học từ Viện Thiên văn học của Đại học Hawaii tại Manoa (UHM) đã phát hành cho công chúng một tập dữ liệu khổng lồ chứa dữ liệu quan sát của hơn 3 tỷ ngôi sao, thiên hà và các vật thể thiên văn khác, thu thập được trong 4 năm quan sát khoảng ba phần tư bầu trời đêm. Dự án này được gọi là dự án Pan-STARRS và tập dữ liệu nó tạo ra có kích thước khoảng 2 petabyte (hai triệu gigabyte).

Như Hans-Walter Rix, giám đốc bộ phận Thiên hà và Vũ trụ học tại Viện Thiên văn học Max Plank đã giải thích theo Phys.org :

“Pan-STARRS1 đã lập bản đồ thiên hà của chúng ta, dải Ngân Hà, đến mức chi tiết chưa từng đạt được trước đây. Cuộc khảo sát cung cấp, lần đầu tiên, một cái nhìn sâu sắc và toàn cầu về một phần đáng kể của mặt phẳng và đĩa Ngân Hà… Sự kết hợp độc đáo về độ sâu hình ảnh, khu vực và màu sắc đã cho phép nó phát hiện ra đa số các quasar xa nhất được biết đến: những vật thể này là những ví dụ sớm nhất trong vũ trụ của chúng ta rằng các hố đen khổng lồ đã phát triển tại trung tâm của các thiên hà”.

Một trong những mục tiêu của việc phát hành tập dữ liệu là nó sẽ được sử dụng để xây dựng bản đồ của bầu trời quan sát được, phân loại các điểm sáng được quan sát trong tập dữ liệu. Các nhà nghiên cứu tham gia vào dự án Pan-STARRS đã sử dụng tập dữ liệu để đào tạo các thuật toán học máy mà họ có thể sử dụng để tạo ra bản đồ.

Các nhà nghiên cứu của Đại học Hawaii làm việc với kính viễn vọng PS1, nằm trên đảo Big Island của Hawaii. PS1 có thể quét khoảng 75% bầu trời quan sát được. Kính viễn vọng này là cuộc khảo sát quang học đa màu sâu lớn nhất trên thế giới, và các nhà nghiên cứu muốn tận dụng sức mạnh này để xây dựng một bản đồ bầu trời tinh vi. Điều này liên quan đến việc đào tạo máy tính của PS1 để phân loại các vật thể, phân biệt một loại vật thể thiên văn với một loại khác. Tập dữ liệu họ sử dụng để đào tạo máy tính chứa hàng triệu phép đo, được đặc trưng bởi các tính năng như kích thước và màu sắc.

Các thuật toán trí tuệ nhân tạo được sử dụng là mạng nơ-ron tiến hành bình thường kết hợp với các phương pháp tối ưu hóa cho phép mạng học các mối quan hệ phức tạp giữa hàng triệu điểm dữ liệu. Robert Beck, cựu nghiên cứu sinh sau tiến sĩ về vũ trụ học tại Viện Thiên văn học UHM, giải thích rằng các thuật toán tối ưu hóa hiện đại đã được sử dụng để đào tạo máy tính trên khoảng 4 triệu vật thể thiên văn được mô tả bởi tập dữ liệu. Như TechExplorist đã báo cáo, nhóm nghiên cứu cũng phải sửa lỗi cho sự can thiệp của bụi trong thiên hà Ngân Hà. Nhóm nghiên cứu đã sử dụng phương pháp lấy mẫu Monte-Carlo để ước tính sự không chắc chắn được tạo ra do photometric redshift (một ước tính về vận tốc của một vật thể) và sau đó đào tạo mô hình học máy trên dữ liệu quang phổ.

Sau khi mô hình được đào tạo, hiệu suất của nó đã được kiểm tra trên một tập dữ liệu xác thực. Mạng đã xác định thành công khoảng 96,6% quasar, 97,8% ngôi sao và 98,1% thiên hà. Ngoài ra, mô hình đã dự đoán khoảng cách đến các thiên hà và khi kiểm tra, dự đoán chỉ sai khoảng 3%.

Kết quả cuối cùng của việc đào tạo và sử dụng trí tuệ nhân tạo là bản đồ 3D lớn nhất của các ngôi sao, quasar và thiên hà trên thế giới . Đồng tác giả của nghiên cứu Kenneth Chambers giải thích, như được trích dẫn bởi Gizmodo, rằng các mô hình được sử dụng để tạo ra bản đồ nên có thể được sử dụng lại khi thu thập thêm dữ liệu, cải thiện bản đồ hơn nữa và tăng cường sự hiểu biết của chúng ta về hệ mặt trời và vũ trụ. Các nhà khoa học sẽ có thể sử dụng bản đồ để có được cái nhìn sâu sắc về hình dạng của vũ trụ và xác định nơi mà mô hình vũ trụ học của chúng ta không phù hợp với các dự đoán mới.