Gravitacijske leće važan su alat astronomima koji žele proučavati najudaljenije predmete u Svemiru. Ova tehnika uključuje korištenje ogromnog skupa materije (obično galaksije ili grozda) između udaljenog izvora svjetlosti i promatrača kako bi bolje vidio svjetlost koja dolazi iz tog izvora. U učinku koji je predvidjela Einsteinova teorija opće relativnosti, to omogućava astronomima da vide predmete koji bi se inače mogli prikriti.
Nedavno je skupina europskih astronoma razvila metodu za pronalaženje gravitacijskih leća u ogromnim gomilama podataka. Koristeći iste algoritme umjetne inteligencije koje su Google, Facebook i Tesla koristili u svoje svrhe, uspjeli su pronaći 56 novih kandidata za gravitacijsko leće iz ogromnog astronomskog istraživanja. Ovom metodom mogla bi se ukloniti potreba astronoma za vizualnim pregledom astronomskih slika.
Studija koja opisuje njihovo istraživanje, pod nazivom "Pronalaženje jakih gravitacijskih sočiva u istraživanju stupnjeva Kilo s konvolucijskim neuronskim mrežama", nedavno se pojavila u časopisu Mjesečne obavijesti Kraljevskog astronomskog društva, Vodio Carlo Enrico Petrillo iz Astronomskog instituta Kapteyn, tim je također uključivao članove Nacionalnog instituta za astrofiziku (INAF), Argelander-Instituta za astronomiju (AIfA) i Sveučilišta u Napulju.
Iako je korisno astronomima, gravitacijska leća su bol u pronalaženju. Obično bi se to sastojalo od astronoma koji razvrstavaju na hiljade slika snimljenih teleskopima i opservatorijama. Iako se akademske institucije mogu osloniti na astronome amatere i astronome građanke kao nikad do sada, ne postoji način da budu u toku s milijunima slika koje se redovito snimaju instrumentima širom svijeta.
Da bi se pozabavili ovim problemom, dr. Petrillo i njegovi kolege su se obratili onome što je poznato kao "Konvulucione neuronske mreže" (CNN), vrsta algoritma strojnog učenja koji minira podatke za određene obrasce. Dok je Google iste neuronske mreže koristio za pobjedu u meču Go protiv svjetskog prvaka, Facebook ih koristi za prepoznavanje stvari na slikama objavljenim na njihovim web stranicama, a Tesla ih koristi za razvoj automobila sa automatskim upravljanjem.
Kao što je Petrillo objasnio u nedavnom članku za medije iz nizozemske istraživačke škole za astronomiju:
„Ovo je prvi put da se u astronomskom istraživanju pronašla osebujna predmeta kako bi se otkrila neobična neuronska mreža. Mislim da će to postati norma s obzirom na to da će buduća astronomska istraživanja stvoriti ogromnu količinu podataka koje će biti potrebne za uvid. Nemamo dovoljno astronoma koji bi se mogli nositi s tim. "
Tim je zatim primijenio ove neuronske mreže na podatke dobivene iz Kilo-stupnjeva istraživanja (KiDS). Ovaj se projekt oslanja na VLT anketni teleskop (VST) u Esolovom opservatoriju ESO u Čileu za mapiranje 1500 kvadratnih stupnjeva južnog noćnog neba. Ovaj skup podataka sastojao se od 21 789 slika u boji koje je prikupio VST-ov OmegaCAM, višepojasni instrument koji je razvio konzorcij europskih znanstvenika u suradnji s ESO-om.
Sve ove slike sadržavale su primjere svjetlosnih crvenih galaksija (LRG), od kojih su tri bile gravitacijske leće. U početku je neuronska mreža pronašla 761 kandidata za gravitacijsko leće unutar ovog uzorka. Nakon vizualnog pregleda ovih kandidata, tim je uspio suziti popis na 56 objektiva. To bi u budućnosti još trebali potvrditi svemirski teleskopi, ali rezultati su bili prilično pozitivni.
Kao što navode u svojoj studiji, takva bi neuronska mreža, kad se primijeni na veće skupove podataka, mogla otkriti stotine ili čak tisuće novih leća:
„Konzervativna procjena na temelju naših rezultata pokazuje da bi pomoću naše predložene metode trebalo pronaći 100 masivnih LRG-galaksijskih sočiva pri z ~> 0,4 u KiDS kada su kompletirane. U najoptimističnijem scenariju, ovaj broj može znatno porasti (maksimalno do 2400 objektiva), kad proširimo odabir veličine i boje i treniramo CNN da prepoznaje manje objekte za razdvajanje slike. "
Pored toga, neuronska mreža ponovno je otkrila dvije poznate leće u skupu podataka, ali je propustila treću. Međutim, to je zbog činjenice da je ta leća bila posebno mala, a neuronska mreža nije osposobljena za otkrivanje leća ove veličine. U budućnosti, istraživači se nadaju da će to ispraviti obukom svoje neuronske mreže da primijete manje leće i odbacuje lažne pozitivne rezultate.
Ali naravno, krajnji je cilj ovdje u potpunosti ukloniti potrebu za vizualnim pregledom. Radeći to, astronomi bi bili oslobođeni potrebe za grubim poslom i mogli bi posvetiti više vremena procesu otkrivanja. Na gotovo isti se način algoritmi strojnog učenja mogli upotrijebiti za pretraživanje astronomskih podataka za signale gravitacijskih valova i egzoplaneta.
Kao i kako druge industrije traže smisao iz terabajta potrošačkih ili drugih vrsta "velikih podataka", terenska se astrofizika i kozmologija mogu pouzdati u umjetnu inteligenciju kako bi pronašli uzorke u Svemiru sirovih podataka. A isplata vjerojatno neće biti ništa manje od ubrzanog procesa otkrivanja.
