Гравитационные линзы являются важным инструментом для астрономов, стремящихся изучать самые отдаленные объекты во Вселенной. Этот метод включает использование массивного скопления вещества (обычно галактики или скопления) между удаленным источником света и наблюдателем, чтобы лучше видеть свет, исходящий от этого источника. В результате, предсказанном Теорией общей теории относительности Эйнштейна, это позволяет астрономам видеть объекты, которые в противном случае могли бы быть затемнены.
Недавно группа европейских астрономов разработала метод поиска гравитационных линз в огромных кучах данных. Используя те же алгоритмы искусственного интеллекта, которые Google, Facebook и Tesla использовали в своих целях, они смогли найти 56 новых кандидатов в гравитационные линзы из массивного астрономического исследования. Этот метод может устранить необходимость для астрономов проводить визуальные проверки астрономических изображений.
Исследование, которое описывает их исследование под названием «Поиск сильных гравитационных линз в обзоре степени Кило с помощью сверточных нейронных сетей», недавно появилось в Ежемесячные уведомления Королевского астрономического общества, В команду Карло Энрико Петрильо из Астрономического института им. Каптейна вошли также члены Национального института астрофизики (INAF), Института астрономии Аргеландера (AIfA) и Неаполитанского университета.
Хотя гравитационные линзы полезны для астрономов, их трудно найти. Обычно это состояло бы в том, что астрономы сортировали тысячи изображений, снятых телескопами и обсерваториями. В то время как академические учреждения могут полагаться на астрономов-любителей и гражданских астрономов, как никогда раньше, нет никакого способа не отставать от миллионов изображений, которые регулярно снимаются инструментами во всем мире.
Чтобы решить эту проблему, доктор Петрильо и его коллеги обратились к так называемой «конвульсивной нейронной сети» (CNN), типу алгоритма машинного обучения, который добывает данные для определенных моделей. В то время как Google использовал эти же нейронные сети, чтобы выиграть матч Go против чемпиона мира, Facebook использует их для распознавания вещей на изображениях, размещенных на своем сайте, а Tesla использует их для разработки автомобилей с автоматическим управлением.
Как объяснил Петрильо в недавней статье для прессы из Нидерландской исследовательской школы астрономии:
«Это первый раз, когда сверточная нейронная сеть используется для поиска специфических объектов в астрономическом исследовании. Я думаю, что это станет нормой, поскольку будущие астрономические исследования будут производить огромное количество данных, которые необходимо будет проверить. У нас недостаточно астрономов, чтобы справиться с этим ».
Затем команда применила эти нейронные сети к данным, полученным из опроса по килограммам (KiDS). Этот проект основан на съемочном телескопе VLT (VST) в паранальской обсерватории ESO в Чили для картирования 1500 квадратных градусов южного ночного неба. Этот набор данных состоял из 21 789 цветных изображений, собранных с помощью VST OmegaCAM, многоканального прибора, разработанного консорциумом европейских ученых в сотрудничестве с ESO.
Все эти изображения содержали примеры светящихся красных галактик (LRG), три из которых известны как гравитационные линзы. Первоначально нейронная сеть обнаружила 761 кандидата в гравитационные линзы в этом образце. После визуальной проверки этих кандидатов команда смогла сузить список до 56 линз. Это все еще должно быть подтверждено космическими телескопами в будущем, но результаты были весьма положительными.
Как они указывают в своем исследовании, такая нейронная сеть применительно к большим наборам данных может выявить сотни или даже тысячи новых линз:
«Консервативная оценка, основанная на наших результатах, показывает, что с помощью предложенного нами метода мы сможем найти 100 массивных линз LRG-галактик при z ~> 0,4 в KiDS после завершения. В наиболее оптимистичном сценарии это число может значительно возрасти (до максимально 2400 объективов) при расширении выбора величины цвета и обучении CNN распознавать меньшие системы линз с разделением изображений ».
Кроме того, нейронная сеть заново открыла две известные линзы в наборе данных, но пропустила третью. Однако это было связано с тем, что этот объектив был особенно маленьким, и нейронная сеть не была обучена обнаруживать линзы такого размера. В будущем исследователи надеются исправить это, обучая свою нейронную сеть замечать меньшие линзы и отклонять ложные срабатывания.
Но, конечно, конечной целью здесь является полное устранение необходимости визуального осмотра. При этом астрономы освободятся от необходимости выполнять тяжелую работу и смогут посвятить больше времени процессу открытия. Аналогичным образом, алгоритмы машинного обучения могут быть использованы для поиска по астрономическим данным сигналов гравитационных волн и экзопланет.
Подобно тому, как другие отрасли стремятся найти смысл в терабайтах потребительских или других типов «больших данных», полевая астрофизика и космология могут полагаться на искусственный интеллект для поиска закономерностей во Вселенной необработанных данных. И отдача, скорее всего, будет не чем иным, как ускоренным процессом открытия.
