Гравитационните лещи са важен инструмент за астрономите, които се стремят да изучават най-отдалечените обекти във Вселената. Тази техника включва използване на масивен клъстер от материя (обикновено галактика или струпване) между далечен светлинен източник и наблюдател, за да вижда по-добре светлината, идваща от този източник. В ефект, предсказан от Теорията на общата относителност на Айнщайн, това позволява на астрономите да виждат обекти, които иначе биха могли да бъдат затъмнени.
Наскоро група европейски астрономи разработи метод за намиране на гравитационни лещи в огромни купчини данни. Използвайки същите алгоритми за изкуствен интелект, които Google, Facebook и Tesla са използвали за своите цели, те успяха да намерят 56 нови кандидати за гравитационни лещи от масивно астрономическо проучване. Този метод би могъл да премахне необходимостта астрономите да извършват визуални проверки на астрономическите изображения.
Изследването, което описва тяхното изследване, озаглавено „Намиране на силни гравитационни лещи в изследването на градуса на Кило с конволюционни невронни мрежи“, наскоро се появи в Месечни известия на Кралското астрономическо дружество, Воден от Карло Енрико Петрило от Астрономическия институт в Каптейн, екипът включваше и членове на Националния институт по астрофизика (INAF), Института за астрономия на Argelander (AIfA) и на Неаполския университет.
Макар и полезни за астрономите, гравитационните лещи са болка за намиране. Обикновено това ще се състои от астрономи, сортиращи хиляди изображения, щракнати от телескопи и обсерватории. Въпреки че академичните институции са в състояние да разчитат на астрономите-аматьори и гражданските астрономи, както никога досега, няма никакъв начин да бъдете в крак с милиони изображения, които редовно се снимат с инструменти по целия свят.
За да се справят с това, д-р Петрило и неговите колеги се обърнаха към онова, което е известно като „Конвулулационни невронни мрежи“ (CNN), вид алгоритъм за машинно обучение, който извлича данни за конкретни модели. Докато Google използва същите тези невронни мрежи, за да спечели мач на Go срещу световния шампион, Facebook ги използва, за да разпознава нещата в изображения, публикувани на неговия сайт, а Tesla ги използва за разработване на автомобили със самостоятелно управление.
Както Петрило обясни в неотдавнашна статия за пресата от Нидерландското изследователско училище по астрономия:
„Това е първият път, когато конволюционната невронна мрежа е използвана за намиране на особени обекти в астрономическото изследване. Мисля, че това ще стане норма, тъй като бъдещите астрономически проучвания ще предоставят огромно количество данни, които ще бъдат необходими за проверка. Нямаме достатъчно астрономи, за да се справим с това. "
След това екипът приложи тези невронни мрежи към данни, получени от проучването за Килоградус (KiDS). Този проект разчита на VLT Survey Telescope (VST) в Параналната обсерватория на ESO в Чили, за да картографира 1500 квадратни градуса от южното нощно небе. Този набор от данни се състоеше от 21 789 цветни изображения, събрани от OmegaCAM на VST, многолентов инструмент, разработен от консорциум от европейски учени съвместно с ЕСО.
Всички тези изображения съдържаха примери за светещи червени галактики (LRG), три от които са известни като гравитационни лещи. Първоначално невронната мрежа откри 761 кандидата за гравитационни лещи в тази проба. След визуална проверка на тези кандидати, екипът успя да ограничи списъка до 56 обектива. Те все още трябва да бъдат потвърдени от космическите телескопи в бъдеще, но резултатите бяха доста положителни.
Както посочват в своето проучване, такава невронна мрежа, когато се прилага към по-големи масиви от данни, може да разкрие стотици или дори хиляди нови лещи:
„Консервативна оценка въз основа на нашите резултати показва, че с предлагания от нас метод би било възможно да се намерят 100 масивни LRG-галактични лещи при z ~> 0.4 в KiDS, когато са завършени. В най-оптимистичния сценарий този брой може да нарасне значително (до максимално? 2400 обектива), когато разширите избора на цветови величини и обучите CNN да разпознава по-малки системи за разделяне на изображението. “
В допълнение, невронната мрежа преоткри две от известните лещи в набора от данни, но пропусна третата. Това обаче се дължи на факта, че тази леща е особено малка и невронната мрежа не е обучена да открива лещи с такъв размер. В бъдеще изследователите се надяват да поправят това, като тренират невронната си мрежа да забелязва по-малки лещи и отхвърля фалшиви позитиви.
Но разбира се, крайната цел тук е да се премахне изцяло нуждата от визуална проверка. По този начин астрономите биха били освободени от необходимостта да вършат груба работа и биха могли да отделят повече време за процеса на откриване. По същия начин алгоритмите за машинно обучение могат да бъдат използвани за търсене чрез астрономически данни за сигнали на гравитационни вълни и екзопланети.
Подобно на това как другите индустрии се стремят да осмислят терабитите на потребителските или други видове „големи данни“, полевата астрофизика и космология биха могли да разчитат на изкуствения интелект, за да намерят моделите във Вселената на суровите данни. И изплащането вероятно ще бъде нищо по-малко от ускорен процес на откриване.
