Gravitační čočky jsou důležitým nástrojem pro astronomy, kteří se snaží studovat nejvzdálenější předměty ve vesmíru. Tato technika zahrnuje použití masivního shluku hmoty (obvykle galaxie nebo shluk) mezi vzdáleným světelným zdrojem a pozorovatelem, aby bylo možné lépe vidět světlo přicházející z tohoto zdroje. Ve skutečnosti, kterou předpovídala Einsteinova teorie obecné relativity, to umožňuje astronomům vidět objekty, které by jinak mohly být zakryty.
Nedávno skupina evropských astronomů vyvinula metodu pro nalezení gravitačních čoček v obrovských hromadách dat. Pomocí stejných algoritmů umělé inteligence, které Google, Facebook a Tesla použily pro své účely, dokázali z masivního astronomického průzkumu najít 56 nových kandidátů na gravitační čočky. Tato metoda by mohla eliminovat potřebu astronomů provádět vizuální prohlídky astronomických obrazů.
Studie, která popisuje jejich výzkum s názvem „Nalezení silných gravitačních čoček v průzkumu kilota s konvolučními neurálními sítěmi“, se nedávno objevila v Měsíční oznámení Královské astronomické společnosti. Tým vedl Carlo Enrico Petrillo z Kapteynského astronomického ústavu. Součástí týmu byli také členové Národního ústavu pro astrofyziku (INAF), Argelanderského institutu pro astronomii (AIfA) a Neapolské univerzity.
Ačkoli jsou užitečné pro astronomy, gravitační čočky jsou bolest, kterou je třeba najít. Obvykle by to spočívalo v tom, že by astronomové tříděli tisíce obrázků pořízených dalekohledy a observatořemi. Přestože se akademické instituce mohou spolehnout na amatérské astronomy a občanské astronomy jako nikdy předtím, neexistuje žádný způsob, jak držet krok s miliony obrázků, které jsou pravidelně zachycovány nástroji po celém světě.
Za tímto účelem se Dr. Petrillo a jeho kolegové obrátili k tzv. „Křečovým neuronovým sítím“ (CNN), což je typ algoritmu strojového učení, který těží data pro specifické vzorce. Zatímco Google použil stejné neuronové sítě k vítězství v zápase Go proti světovému šampionovi, Facebook je používá k rozpoznávání věcí v obrázcích zveřejněných na svých stránkách a Tesla je používá k vývoji aut s řidičem.
Jak vysvětlil Petrillo v nedávném tiskovém článku z Nizozemské výzkumné školy pro astronomii:
"Je to poprvé, co byla konvoluční neuronová síť použita k nalezení zvláštních objektů v astronomickém průzkumu." Myslím, že se to stane normou, protože budoucí astronomická průzkumy přinesou obrovské množství údajů, které bude nutné prohlédnout. Nemáme dostatek astronomů, abychom se s tím vypořádali. “
Tým poté aplikoval tyto neuronové sítě na data odvozená z průzkumu Kilo-degree Survey (KiDS). Tento projekt se spoléhá na průzkumný dalekohled VLT (VST Survey Telescope) na paranální observatoři ESO v Chile, aby zmapoval 1500 čtverečních stupňů jižní noční oblohy. Tento soubor dat sestával z 21 789 barevných obrázků shromážděných OmegaCAM VST, multibandového nástroje vyvinutého konsorciem evropského vědce ve spojení s ESO.
Všechny tyto obrázky obsahovaly příklady Luminous Red Galaxies (LRG), z nichž tři byly známy jako gravitační čočky. Zpočátku neuronová síť našla v tomto vzorku 761 kandidátů na gravitační čočky. Po vizuální kontrole těchto kandidátů byl tým schopen zúžit seznam na 56 čoček. Tyto vesmírné dalekohledy je třeba v budoucnu ještě potvrdit, ale výsledky byly celkem pozitivní.
Jak ukazují ve své studii, taková neuronová síť, pokud se použije na větší soubory dat, může odhalit stovky nebo dokonce tisíce nových čoček:
"Konzervativní odhad založený na našich výsledcích ukazuje, že s naší navrhovanou metodou by mělo být možné najít? 100 masivních LRG-galaxických čoček při z ~> 0,4 v KiDS po dokončení. V nejoptimističtějším scénáři toto číslo může výrazně vzrůst (až na maximálně 2400 čoček), když se rozšiřuje výběr barevného rozsahu a trénuje se CNN, aby rozpoznávala menší systémy pro oddělování obrazu.
Kromě toho neuronová síť znovuobjevila dvě známé čočky v datové sadě, ale vynechala třetí. Bylo to však způsobeno tím, že tato čočka byla obzvláště malá a neuronová síť nebyla trénována k detekci čoček této velikosti. V budoucnu vědci doufají, že to napraví školením své neuronové sítě, aby si všimli menších čoček a odmítli falešné pozitivy.
Konečným cílem je samozřejmě samozřejmě zcela odstranit potřebu vizuální kontroly. Tím by astronomové byli osvobozeni od povinnosti vykonávat práci a mohli věnovat více času procesu objevování. Stejným způsobem by mohly být použity algoritmy strojového učení k vyhledávání astronomických dat pro signály gravitačních vln a exoplanet.
Stejně jako to, jak se ostatní průmyslová odvětví snaží dát smysl z terabajtů spotřebitele nebo jiných typů „velkých dat“, mohla by se astrofyzika a kosmologie v terénu spoléhat na umělou inteligenci, aby našla vzory ve vesmíru surových dat. A návratnost pravděpodobně nebude nic jiného než zrychlený proces objevování.
