Гравітаційні лінзи є важливим інструментом для астрономів, які прагнуть вивчити найвіддаленіші об’єкти у Всесвіті. Ця методика передбачає використання масивного скупчення речовини (як правило, галактики або скупчення) між віддаленим джерелом світла та спостерігачем, щоб краще бачити світло, що надходить від цього джерела. Ефект, який був передбачений теорією загальної відносності Ейнштейна, дозволяє астрономам бачити об'єкти, які в іншому випадку можуть бути затемненими.
Нещодавно група європейських астрономів розробила метод знаходження гравітаційних лінз у величезних купах даних. Використовуючи ті самі алгоритми штучного інтелекту, які Google, Facebook та Tesla використовували для своїх цілей, вони змогли знайти 56 нових кандидатів на гравітаційне лінзування з масивного астрономічного дослідження. Цей метод може усунути потребу астрономів проводити візуальні огляди астрономічних зображень.
Дослідження, яке описує їх дослідження під назвою "Пошук сильних гравітаційних лінз у дослідженні ступеня Кіло за допомогою конволюційних нейронних мереж", нещодавно з'явилося в Щомісячні повідомлення Королівського астрономічного товариства. Під керівництвом Карло Енріко Петрілло з Каптейнського астрономічного інституту, до складу команди входили також члени Національного інституту астрофізики (INAF), Інституту археландра з астрономії (AIfA) та Неаполітанського університету.
Хоча корисні астрономам, гравітаційні лінзи - це біль, яку можна знайти. Зазвичай це складається з астрономів, які сортують тисячі зображень, знятих телескопами та обсерваторіями. Хоча академічні установи здатні покластися на астрономів-аматорів та астрономів-громадян, як ніколи, не існує способу не відставати від мільйонів зображень, які регулярно знімаються інструментами у всьому світі.
Для вирішення цього питання доктор Петрилло та його колеги звернулися до того, що називають "конвулуляційними нейронними мережами" (CNN), типом алгоритму машинного навчання, який міняє дані для конкретних зразків. У той час як Google використовував ці самі нейронні мережі, щоб виграти матч Go проти світового чемпіона, Facebook використовує їх для розпізнавання речей у зображеннях, розміщених на його сайті, а Tesla використовує їх для розробки автомобілів, що керують самостійно.
Як Петрильо пояснив у недавній статті преси з Нідерландської дослідницької школи з астрономії:
«Це перший раз, коли в астрономічному опитуванні була використана конволюційна нейронна мережа для пошуку своєрідних об’єктів. Я думаю, що це стане нормою, оскільки майбутні астрономічні дослідження дадуть величезну кількість даних, які необхідно буде перевірити. У нас недостатньо астрономів, щоб впоратися з цим ".
Потім команда застосувала ці нейронні мережі до даних, отриманих з опитування кілоградусів (KiDS). Цей проект спирається на дослідницький телескоп VLT (VST) в обсерваторії ESO Paranal в Чилі для складання 1500 квадратних градусів південного нічного неба. Цей набір даних складався з 21 789 кольорових зображень, зібраних OST OmegaCAM, багатосмуговим інструментом, розробленим консорціумом європейського вченого спільно з ESO.
Усі ці зображення містили приклади світлих червоних галактик (LRG), три з яких, як відомо, гравітаційні лінзи. Спочатку нейронна мережа виявила 761 кандидатів гравітаційних лінз у межах цього зразка. Після візуального огляду цих кандидатів команда змогла звузити список до 56 лінз. Це все ще потрібно підтвердити космічними телескопами в майбутньому, але результати були досить позитивними.
Як вони вказують у своєму дослідженні, така нейромережа, застосовуючи більші набори даних, може виявити сотні чи навіть тисячі нових лінз:
«Консервативна оцінка, що базується на наших результатах, показує, що за запропонованим нами методом слід було б знайти 100 масових LRG-галактичних лінз при z ~> 0,4 в KiDS після завершення. За найбільш оптимістичним сценарієм ця кількість може значно зрости (до максимальної? 2400 лінз), коли розширюється вибір кольорових масштабів і тренується CNN розпізнавати менші системи лінз для розділення зображень ".
Крім того, нейронна мережа знову виявила два відомих лінзи в наборі даних, але пропустила третій. Однак це було пов'язано з тим, що ця лінза була особливо малою, і нейронна мережа не була навчена виявляти лінзи такого розміру. Надалі дослідники сподіваються виправити це, навчаючи свою нейронну мережу помічати менші лінзи та відкидати помилкові позитиви.
Але звичайно, кінцева мета тут - усунути необхідність візуального огляду цілком. Роблячи це, астрономи були б звільнені від необхідності робити бурхливу роботу і могли б приділити більше часу процесу відкриття. Таким же чином алгоритми машинного навчання можуть бути використані для пошуку астрономічних даних для сигналів гравітаційних хвиль та екзопланет.
Так само, як і інші галузі прагнуть осмислити терабайти споживчих або інших типів "великих даних", польова астрофізика та космологія могли б покластися на штучний інтелект, щоб знайти закономірності у Всесвіті вихідних даних. І виплата, ймовірно, буде не менше, ніж прискорений процес виявлення.
