Οι βαρυτικοί φακοί είναι ένα σημαντικό εργαλείο για τους αστρονόμους που επιδιώκουν να μελετήσουν τα πιο απομακρυσμένα αντικείμενα στο Σύμπαν. Αυτή η τεχνική περιλαμβάνει τη χρήση ενός τεράστιου σμήνους ύλης (συνήθως ενός γαλαξία ή σμήνους) μεταξύ μιας μακρινής πηγής φωτός και ενός παρατηρητή για να δείτε καλύτερα το φως που προέρχεται από αυτήν την πηγή. Σε ένα αποτέλεσμα που προέβλεπε η Θεωρία της Γενικής Σχετικότητας του Αϊνστάιν, αυτό επιτρέπει στους αστρονόμους να δουν αντικείμενα που διαφορετικά θα μπορούσαν να είναι σκοτεινά.
Πρόσφατα, μια ομάδα Ευρωπαίων αστρονόμων ανέπτυξε μια μέθοδο για την εύρεση βαρυτικών φακών σε τεράστιους σωρούς δεδομένων. Χρησιμοποιώντας τους ίδιους αλγόριθμους τεχνητής νοημοσύνης που χρησιμοποίησαν η Google, το Facebook και ο Tesla για τους σκοπούς τους, κατάφεραν να βρουν 56 νέους υποψηφίους βαρυτικού φακού από μια τεράστια αστρονομική έρευνα. Αυτή η μέθοδος θα μπορούσε να εξαλείψει την ανάγκη για αστρονόμους να διεξάγουν οπτικές επιθεωρήσεις αστρονομικών εικόνων.
Η μελέτη που περιγράφει την έρευνά τους, με τίτλο "Εύρεση ισχυρών βαρυτικών φακών στην έρευνα του Kilo Degree with Convolutional Neural Networks", εμφανίστηκε πρόσφατα στο Μηνιαίες ειδοποιήσεις της Βασιλικής Αστρονομικής Εταιρείας. Με επικεφαλής τον Carlo Enrico Petrillo του Αστρονομικού Ινστιτούτου Kapteyn, η ομάδα περιλάμβανε επίσης μέλη του Εθνικού Ινστιτούτου Αστροφυσικής (INAF), του Ινστιτούτου Αστρονομίας Argelander (AIfA) και του Πανεπιστημίου της Νάπολης.
Αν και είναι χρήσιμοι για τους αστρονόμους, οι βαρυτικοί φακοί είναι ένας πόνος στην εύρεση. Συνήθως, αυτό θα αποτελείται από αστρονόμους που ταξινομούν χιλιάδες εικόνες που τραβήχτηκαν από τηλεσκόπια και παρατηρητήρια. Ενώ τα ακαδημαϊκά ιδρύματα είναι σε θέση να βασίζονται σε ερασιτέχνες αστρονόμους και αστρονόμους πολίτες, όπως ποτέ άλλοτε, δεν υπάρχει τρόπος να συμβαδίζουμε με εκατομμύρια εικόνες που συλλαμβάνονται τακτικά από όργανα σε όλο τον κόσμο.
Για να αντιμετωπιστεί αυτό, ο Δρ. Petrillo και οι συνεργάτες του στράφηκαν σε αυτό που είναι γνωστό ως «Convulutional Neural Networks» (CNN), έναν τύπο αλγορίθμου μηχανικής μάθησης που εξορύσσει δεδομένα για συγκεκριμένα μοτίβα. Ενώ η Google χρησιμοποίησε αυτά τα ίδια νευρωνικά δίκτυα για να κερδίσει έναν αγώνα Go εναντίον του παγκόσμιου πρωταθλητή, το Facebook τα χρησιμοποιεί για να αναγνωρίσει τα πράγματα σε εικόνες που δημοσιεύονται στον ιστότοπό της και η Tesla τα χρησιμοποιεί για να αναπτύξει αυτοκίνητα αυτο-οδήγησης.
Όπως εξήγησε ο Petrillo σε πρόσφατο άρθρο του από την Ολλανδική Σχολή Ερευνών για την Αστρονομία:
«Είναι η πρώτη φορά που ένα συνελικτικό νευρικό δίκτυο χρησιμοποιήθηκε για την εύρεση περίεργων αντικειμένων σε μια αστρονομική έρευνα. Νομίζω ότι θα γίνει ο κανόνας δεδομένου ότι οι μελλοντικές αστρονομικές έρευνες θα παράγουν μια τεράστια ποσότητα δεδομένων που θα είναι απαραίτητα για τον έλεγχο. Δεν έχουμε αρκετούς αστρονόμους για να το αντιμετωπίσουμε. "
Στη συνέχεια, η ομάδα εφάρμοσε αυτά τα νευρωνικά δίκτυα σε δεδομένα που προέρχονται από την έρευνα Kilo-Degree (KiDS). Αυτό το έργο βασίζεται στο VLT Survey Telescope (VST) στο Παρατηρητήριο Paranal του ESO στη Χιλή για να χαρτογραφήσει 1500 τετραγωνικούς βαθμούς του νότιου νυχτερινού ουρανού. Αυτό το σύνολο δεδομένων περιελάμβανε 21.789 έγχρωμες εικόνες που συλλέχθηκαν από το OmegaCAM του VST, ένα όργανο πολλαπλών ζωνών που αναπτύχθηκε από μια κοινοπραξία ευρωπαίων επιστημόνων σε συνεργασία με τον ESO.
Όλες αυτές οι εικόνες περιείχαν παραδείγματα φωτεινών κόκκινων γαλαξιών (LRGs), τρεις από τους οποίους είναι γνωστοί ως βαρυτικοί φακοί. Αρχικά, το νευρικό δίκτυο βρήκε 761 υποψήφιους φακούς βαρύτητας σε αυτό το δείγμα. Αφού εξέτασε αυτούς τους υποψηφίους οπτικά, η ομάδα μπόρεσε να περιορίσει τη λίστα σε 56 φακούς. Αυτά πρέπει ακόμη να επιβεβαιωθούν με διαστημικά τηλεσκόπια στο μέλλον, αλλά τα αποτελέσματα ήταν αρκετά θετικά.
Όπως δείχνουν στη μελέτη τους, ένα τέτοιο νευρωνικό δίκτυο, όταν εφαρμόζεται σε μεγαλύτερα σύνολα δεδομένων, θα μπορούσε να αποκαλύψει εκατοντάδες ή και χιλιάδες νέους φακούς:
«Μια συντηρητική εκτίμηση που βασίζεται στα αποτελέσματά μας δείχνει ότι με την προτεινόμενη μέθοδο θα πρέπει να μπορούμε να βρούμε 100 μαζικούς φακούς LRG-γαλαξία σε z ~> 0,4 στο KiDS όταν ολοκληρωθεί. Στο πιο αισιόδοξο σενάριο, αυτός ο αριθμός μπορεί να αυξηθεί σημαντικά (έως το μέγιστο; 2400 φακοί), όταν διευρύνεται η επιλογή μεγέθους χρώματος και εκπαιδεύεται το CNN να αναγνωρίζει μικρότερα συστήματα φακών διαχωρισμού εικόνας. "
Επιπλέον, το νευρικό δίκτυο ανακάλυψε δύο από τους γνωστούς φακούς στο σύνολο δεδομένων, αλλά έχασε τον τρίτο. Ωστόσο, αυτό οφείλεται στο γεγονός ότι αυτός ο φακός ήταν ιδιαίτερα μικρός και το νευρικό δίκτυο δεν εκπαιδεύτηκε για την ανίχνευση φακών αυτού του μεγέθους. Στο μέλλον, οι ερευνητές ελπίζουν να το διορθώσουν εκπαιδεύοντας το νευρικό τους δίκτυο για να παρατηρήσουν μικρότερους φακούς και να απορρίψουν ψευδώς θετικά.
Αλλά φυσικά, ο απώτερος στόχος εδώ είναι να εξαλειφθεί πλήρως η ανάγκη για οπτική επιθεώρηση. Με αυτόν τον τρόπο, οι αστρονόμοι θα ελευθερωθούν από το να πρέπει να κάνουν δουλειά και θα μπορούσαν να αφιερώσουν περισσότερο χρόνο στη διαδικασία ανακάλυψης. Με τον ίδιο τρόπο, οι αλγόριθμοι μηχανικής μάθησης θα μπορούσαν να χρησιμοποιηθούν για την αναζήτηση αστρονομικών δεδομένων για σήματα βαρυτικών κυμάτων και εξωπλανητών.
Όπως και άλλες βιομηχανίες που επιδιώκουν να βγάλουν νόημα από terabyte καταναλωτών ή άλλους τύπους «μεγάλων δεδομένων», η αστροφυσική και η κοσμολογία του πεδίου θα μπορούσαν να βασιστούν στην τεχνητή νοημοσύνη για να βρουν τα μοτίβα σε ένα Σύμπαν πρώτων δεδομένων. Και η απόδοση είναι πιθανό να είναι τίποτα λιγότερο από μια ταχεία διαδικασία ανακάλυψης.
