Painovoimalasilinssit ovat tärkeä työkalu tähtitieteilijöille, jotka pyrkivät tutkimaan maailmankaikkeuden kaikkeimpia kohteita. Tähän tekniikkaan kuuluu massiivisen aineryhmän (yleensä galaksin tai klusterin) käyttäminen etäisen valonlähteen ja tarkkailijan välillä, jotta nähdään paremmin siitä lähteestä tuleva valo. Einsteinin yleisen suhteellisuusteorian ennustamana vaikutuksena tähtitieteilijät voivat nähdä esineitä, jotka muuten saattavat olla peitettynä.
Äskettäin ryhmä eurooppalaisia tähtitieteilijöitä kehitti menetelmän gravitaatiolinssien löytämiseksi valtavista datapaaluista. Käyttämällä samoja tekoälyalgoritmeja, joita Google, Facebook ja Tesla ovat käyttäneet tarkoituksiinsa, he pystyivät löytämään 56 uutta gravitaation linssiehdokasta massiivisesta tähtitieteellisestä tutkimuksesta. Tämä menetelmä voisi poistaa tähtitieteilijöiden tarpeen suorittaa tähtitieteellisten kuvien visuaalinen tarkastus.
Niiden tutkimusta kuvaava tutkimus, jonka otsikko on ”Vahvien painovoimalinssien löytäminen Kilo-asteen tutkimuksessa konvoluutiohermoverkkojen kanssa”, ilmestyi äskettäin Kuukausittaiset ilmoitukset Royal Astronomical Society -tapahtumasta. Kapteynin tähtitieteellisen instituutin johtaja Carlo Enrico Petrillo, ryhmään kuuluivat myös Kansallisen astrofysiikan instituutin (INAF), Argelander-tähtitieteen instituutin (AIfA) ja Napolin yliopiston jäsenet.
Vaikka painovoimalinssit ovat hyödyllisiä tähtitieteilijöille, ne ovat tuskallisia löytää. Tavallisesti tämä koostuisi siitä, että tähtitieteilijät lajittelisivat tuhansien kuvien avulla, jotka teleskoopit ja observatoriat napsauttavat. Vaikka akateemiset laitokset voivat luottaa amatööri- ja kansalaistähtitieteilijöihin kuten koskaan ennen, ei ole mitään keinoa pysyä miljoonien kuvien kanssa, joita instrumentit säännöllisesti kaappaavat ympäri maailmaa.
Vastatakseen tähän asiaan, tohtori Petrillo ja hänen kollegansa kääntyivät niin kutsuttuun "Convulutional Neural Networks" (CNN), tyyppiseen koneoppimisalgoritmiin, joka kaivaa tietoja tietyille malleille. Vaikka Google käytti näitä samoja hermoverkkoja voittaakseen ottelun Go maailmanmestaria vastaan, Facebook tunnistaa ne asioihin, jotka kuvataan sivustolleen julkaistavissa kuvissa, ja Tesla on käyttänyt niitä itseohjautuvien autojen kehittämiseen.
Kuten Petrillo selitti äskettäisessä Hollannin tähtitieteen tutkimuskoulun lehdistöartikkelissa:
”Tämä on ensimmäinen kerta, kun konvoluutiohermoverkkoa on käytetty etsimään erikoisia esineitä tähtitieteellisessä tutkimuksessa. Mielestäni siitä tulee normaali, koska tulevat tähtitieteelliset tutkimukset tuottavat valtavan määrän tietoja, jotka ovat tarpeen tarkastamiseksi. Meillä ei ole tarpeeksi tähtitieteilijöitä selviytymään tästä. "
Ryhmä sovelsi sitten näitä hermoverkkoja tietoihin, jotka on saatu Kilo-aste-tutkimuksesta (KiDS). Tämä projekti perustuu VSO: n kyselyteleskooppiin (VST) ESOn Paranal-observatoriossa Chilessä 1500 neliön asteen eteläisen taivaan kartoittamiseksi. Tämä tietojoukko koostui 21 789 värikuvasta, jotka on kerännyt VST: n OmegaCAM, monikaistainen instrumentti, jonka on kehittänyt eurooppalainen tutkijakonsortio yhdessä ESO: n kanssa.
Kaikissa näissä kuvissa oli esimerkkejä vaaleista punaisista galakseista (LRG), joista kolmen tunnettiin olevan painovoimalinssejä. Aluksi hermoverkko löysi 761 gravitaatiolinssiehdokasta tästä näytteestä. Tarkastettuaan näitä ehdokkaita visuaalisesti, ryhmä pystyi kaventamaan luettelon 56 linssiin. Nämä on vielä tulevaisuudessa vahvistettava avaruusteleskoopeilla, mutta tulokset olivat varsin myönteisiä.
Kuten he osoittavat tutkimuksessaan, sellainen hermoverkko, kun sitä käytetään suurempiin tietojoukkoihin, voisi paljastaa satoja tai jopa tuhansia uusia linssejä:
”Tuloksiin perustuva konservatiivinen arvio osoittaa, että ehdotetulla menetelmällä pitäisi olla mahdollista löytää? 100 massiivista LRG-galaksi-objektiivia, jonka arvo on ZDS> 0,4, KiDS: n valmistuttua. Optimistisimmassa tilanteessa tämä lukumäärä voi kasvaa huomattavasti (enimmillään? 2400 linssiin), kun laajennetaan värien voimakkuutta ja koulutetaan CNN tunnistamaan pienemmät kuvanerottelulinssijärjestelmät. "
Lisäksi hermoverkko löysi uudelleen kaksi tietojoukossa olevaa tunnettua linssiä, mutta jätti kolmannen. Tämä johtui kuitenkin siitä, että tämä linssi oli erityisen pieni ja hermoverkkoa ei koulutettu havaitsemaan tämän kokoisia linssejä. Jatkossa tutkijat toivovat korjatavansa tämän kouluttamalla hermoverkkonsa huomaamaan pienemmät linssit ja torjumaan väärät positiiviset.
Mutta tietysti perimmäinen tavoite on poistaa visuaalisen tarkastuksen tarve kokonaan. Tällöin tähtitieteilijät vapautuisivat suorittamaan murhetta ja voisivat omistaa enemmän aikaa löytöprosessiin. Koneoppimisalgoritmeja voidaan käyttää suunnilleen samalla tavalla etsimään tähtitieteellisestä tiedosta gravitaatioaaltojen ja eksoplaneettojen signaaleja.
Aivan kuten se, miten muut teollisuudenalat pyrkivät ymmärtämään kulutuksen tai muun tyyppisen "suuren datan" teratavuista, astrofysiikan ja kosmologian kenttä voisi luottaa keinotekoiseen älykkyyteen löytääkseen mallit raakadatan universumista. Ja voitto on todennäköisesti muuta kuin nopeutettu löytöprosessi.
