Gravitationslinser är ett viktigt verktyg för astronomer som försöker studera de mest avlägsna föremålen i universum. Denna teknik innebär att man använder ett massivt kluster av materia (vanligtvis en galax eller ett kluster) mellan en avlägsen ljuskälla och en observatör för att bättre se ljus som kommer från den källan. I en effekt som förutsades av Einsteins teori om allmän relativitet, gör detta att astronomer kan se föremål som annars skulle kunna döljas.
Nyligen utvecklade en grupp europeiska astronomer en metod för att hitta gravitationslinser i enorma högar med data. Med samma konstgjorda intelligensalgoritmer som Google, Facebook och Tesla har använt för sina ändamål kunde de hitta 56 nya gravitationslinsningskandidater från en massiv astronomisk undersökning. Denna metod kan eliminera behovet av astronomer att göra visuella inspektioner av astronomiska bilder.
Studien som beskriver deras forskning, med titeln "Hitta starka gravitationslinser i Kilo Degree Survey med Convolutional Neural Networks", dykte nyligen upp i Månadsmeddelanden från Royal Astronomical Society. Under ledning av Carlo Enrico Petrillo från Kapteyn Astronomical Institute ingick teamet också medlemmar av National Institute for Astrophysics (INAF), Argelander-Institute for Astronomy (AIfA) och University of Naples.
Även om de är användbara för astronomer är gravitationslinser en smärta att hitta. Vanligtvis skulle detta bestå av astronomer som sorterade genom tusentals bilder som knäppts av teleskop och observatorier. Medan akademiska institutioner kan förlita sig på amatörastronomer och medborgarastronomer som aldrig tidigare, finns det inget sätt att hålla jämna steg med miljontals bilder som regelbundet fångas av instrument runt om i världen.
För att hantera detta vände sig Dr. Petrillo och hans kollegor till det som kallas ”Convulutional Neural Networks” (CNN), en typ av maskininlärningsalgoritm som bryter data för specifika mönster. Medan Google använde samma neurala nätverk för att vinna en match av Go mot världsmästaren, använder Facebook dem för att känna igen saker i bilder publicerade på sin webbplats, och Tesla har använt dem för att utveckla självkörande bilar.
Som Petrillo förklarade i en nyligen pressartikel från Nederländska forskningsskolan för astronomi:
”Det här är första gången ett convolutional neuralt nätverk har använts för att hitta konstiga föremål i en astronomisk undersökning. Jag tror att det kommer att bli normen eftersom framtida astronomiska undersökningar kommer att producera en enorm mängd data som kommer att behövas för att inspektera. Vi har inte tillräckligt med astronomer för att hantera detta. ”
Teamet använde sedan dessa nervnätverk på data härrörande från Kilo-Degree Survey (KiDS). Detta projekt bygger på VLT Survey Telescope (VST) vid ESO: s Paranal Observatory i Chile för att kartlägga 1500 kvadratgrader av den södra natthimlen. Denna datauppsättning bestod av 21 789 färgbilder samlade av VST: s OmegaCAM, ett multiband-instrument utvecklat av ett konsortium av europeisk forskare i samband med ESO.
Dessa bilder innehöll alla exempel på lysande röda galaxer (LRG), varav tre är kända för att vara gravitationslinser. Ursprungligen hittade neurala nätverk 761 gravitationslinskandidater inom detta prov. Efter att ha inspekterat dessa kandidater visuellt kunde teamet begränsa listan till 56 linser. Dessa måste fortfarande bekräftas av rymdteleskop i framtiden, men resultaten var ganska positiva.
Som de antyder i sin studie kan ett sådant neuralt nätverk, när det tillämpas på större datamängder, avslöja hundratals eller till och med tusentals nya linser:
”En konservativ uppskattning baserad på våra resultat visar att med vår föreslagna metod skulle det vara möjligt att hitta 100 massiva LRG-galaxlinser vid z ~> 0,4 i KiDS när de är klar. I det mest optimistiska scenariot kan detta antal växa avsevärt (till maximalt 2400 linser) när man utvidgar valet av färgstorlek och utbildar CNN att känna igen mindre bildsepareringslinssystem. ”
Dessutom återupptäckte det neurala nätverket två av de kända linserna i datauppsättningen, men missade det tredje. Detta berodde dock på att detta objektiv var särskilt litet och nervnätverket inte utbildades för att upptäcka linser av denna storlek. I framtiden hoppas forskarna att korrigera för detta genom att utbilda sitt nervnätverk för att märka mindre linser och avvisa falska positiver.
Men naturligtvis är det ultimata målet här att ta bort behovet av visuell inspektion helt. På så sätt skulle astronomer frigöras från att behöva göra grymt arbete och kunde ägna mer tid åt upptäcktprocessen. På ungefär samma sätt kan maskininlärningsalgoritmer användas för att söka igenom astronomiska data efter signaler om gravitationsvågor och exoplaneter.
Liksom hur andra branscher försöker skapa mening av terabyter för konsumenter eller andra typer av "big data", kan fältets astrofysik och kosmologi förlita sig på konstgjord intelligens för att hitta mönstren i ett universum av rå data. Och vinsten kommer sannolikt att vara något mindre än en snabbare upptäcktprocess.
