Gravitatsiooniläätsed on oluline vahend astronoomidele, kes soovivad uurida Universumi kõige kaugemaid objekte. See tehnika hõlmab massiivse mateeria klastri (tavaliselt galaktika või klastri) kasutamist kauge valgusallika ja vaatleja vahel, et sellest allikast tuleva valgust paremini näha. Einsteini üldise relatiivsusteooria teooria kohaselt ennustas see astronoomidele võimalust näha objekte, mis võivad muidu olla varjatud.
Hiljuti töötas grupp Euroopa astronoome välja meetodi gravitatsiooniläätsede leidmiseks tohututes andmehunnikutes. Kasutades samu tehisintellekti algoritme, mida Google, Facebook ja Tesla on oma eesmärkidel kasutanud, suutsid nad massilisest astronoomilisest uuringust leida 56 uut gravitatsiooniläätse kandidaati. See meetod aitaks välistada astronoomide vajaduse astronoomiliste piltide visuaalseks kontrollimiseks.
Nende uurimistööd kirjeldav pealkiri “Tugevate gravitatsiooniliste läätsede leidmine Kilo kraadi uuringus koos konvolutsiooniliste närvivõrkudega” ilmus hiljuti Kuningliku Astronoomiaühingu igakuised teated. Carlo Enrico Petrillo juhtimisel Kaptenini astronoomiainstituudist kuulusid meeskonda ka Riikliku Astrofüüsika Instituudi (INAF), Argelanderi astronoomiainstituudi (AIfA) ja Napoli ülikooli liikmed.
Ehkki gravitatsiooniläätsed on astronoomidele kasulikud, on neid keeruline leida. Tavaliselt koosneksid sellest astronoomid, kes sorteerivad tuhandeid teleskoopide ja observatooriumide piltidega pilte. Kuigi akadeemilised asutused saavad tugineda amatöör-astronoomidele ja kodaniku-astronoomidele nagu mitte kunagi varem, pole mingil juhul võimalik sammu pidada miljonite piltidega, mida kogu maailmas regulaarselt instrumentide abil jäädvustatakse.
Sellega tegelemiseks pöördusid dr Petrillo ja tema kolleegid nn konvulutsiooniliste närvivõrkude (CNN) poole, mis on masinõppe algoritm, mis katab andmeid konkreetsete mustrite jaoks. Kui Google kasutas neid samu närvivõrke Go võitluseks maailmameistri vastu, siis Facebook kasutab neid oma saidile postitatud piltidel olevate asjade äratundmiseks ja Tesla on neid kasutanud isesõitvate autode väljatöötamiseks.
Nagu Petrillo selgitas Hollandi astronoomia teaduskooli hiljutises ajakirjandusartiklis:
“See on esimene kord, kui astronoomilises uuringus kasutatakse konvolutsioonilist närvivõrku omapäraste objektide leidmiseks. Arvan, et sellest saab norm, sest tulevased astronoomilised uuringud annavad tohutul hulgal andmeid, mida on vaja kontrollida. Meil pole piisavalt astronoome, et sellega hakkama saada. ”
Seejärel rakendas meeskond neid närvivõrke Kilo-kraadide uuringust (KiDS) saadud andmete suhtes. See projekt toetub VSO uuringuteleskoobile (VST) ESO Paranali observatooriumis Tšiilis, et kaardistada lõunaosa öötaevas 1500 ruutkraadi. See andmekogum koosnes 21 789 värvipildist, mille kogus VST OmegaCAM, mitme riba riba, mille töötas välja Euroopa teadlaste konsortsium koos ESO-ga.
Need pildid sisaldasid kõiki helendavaid punaseid galaktikaid (LRG), millest kolm on teadaolevalt gravitatsiooniläätsed. Algselt leidis närvivõrk sellest valimist 761 gravitatsiooniläätse kandidaati. Pärast nende kandidaatide visuaalset kontrollimist suutis meeskond nimekirja kitsendada kuni 56 objektiivi. Neid tuleb tulevikus veel kosmoseteleskoopidega kinnitada, kuid tulemused olid üsna positiivsed.
Nagu nad oma uuringus märgivad, võib selline närvivõrk suuremate andmekogumite korral paljastada sadu või isegi tuhandeid uusi läätsi:
„Meie tulemustele tuginev konservatiivne hinnang näitab, et meie väljapakutud meetodi abil peaks valmimisel olema võimalik leida 100 massiivset LRG-galaktika läätse, mille kiirusaste ZDS on> 0,4. Kõige optimistlikumas stsenaariumis võib see arv märkimisväärselt kasvada (maksimaalselt? 2400 objektiivini), kui laiendada värvitoonide valikut ja koolitada CNN-i tundma väiksemaid pildieraldusobjektiivide süsteeme. ”
Lisaks taastas närvivõrk kaks andmekogumis tuntud objektiivi, kuid jättis kolmanda puudu. Kuid see oli tingitud asjaolust, et see lääts oli eriti väike ja närvivõrku ei olnud selle suurusega läätsede tuvastamiseks koolitatud. Tulevikus loodavad teadlased seda parandada, treenides oma närvivõrku väiksemate läätsede märkamiseks ja valepositiivide tagasilükkamiseks.
Kuid loomulikult on siinkohal lõppeesmärk täielikult kaotada visuaalse kontrolli vajadus. Seejuures vabastataks astronoomid hasartmängudest ja võiksid rohkem aega avastamisprotsessile pühendada. Samamoodi võiks masinõppe algoritme kasutada astronoomilistest andmetest gravitatsiooniliste lainete ja eksoplaneetide signaalide otsimiseks.
Sarnaselt sellele, kuidas teised tööstusharud üritavad tarbijate või muud tüüpi suurandmete terabaitidest aru saada, võiksid astrofüüsika ja kosmoloogia valdkonnad tugineda tehisintellektile, et leida toorandmete universumis mustrid. Ja väljamakse on tõenäoliselt midagi vähemat kui kiirendatud avastamisprotsess.
