Gravitaciniai lęšiai yra svarbi priemonė astronomams, siekiantiems tyrinėti tolimiausius Visatos objektus. Ši technika apima masyvaus materijos klasterio (paprastai galaktikos ar spiečiaus) naudojimą tarp tolimojo šviesos šaltinio ir stebėtoją, kad būtų geriau matoma iš to šaltinio sklindanti šviesa. Poveikio, kurį numatė Einšteino bendrojo reliatyvumo teorija, dėka astronomai gali pamatyti objektus, kurie kitaip gali būti užtemdyti.
Neseniai grupė Europos astronomų sukūrė metodą gravitaciniams lęšiams surasti didžiulėse duomenų krūvose. Naudodamiesi tais pačiais dirbtinio intelekto algoritmais, kuriuos „Google“, „Facebook“ ir „Tesla“ panaudojo savo tikslams, jie galėjo rasti 56 naujus gravitacinių lęšių kandidatus iš masinės astronominės apklausos. Šis metodas galėtų panaikinti astronomų poreikį vizualiai tikrinti astronominius vaizdus.
Jų tyrimą apibūdinantis tyrimas, pavadintas „Stiprių gravitacinių lęšių radimas Kilo laipsnio tyrime su konvoliuciniais neuroniniais tinklais“, neseniai pasirodė Mėnesiniai Karališkosios astronomijos draugijos pranešimai. Vadovavo Carlo Enrico Petrillo iš Kapteino astronomijos instituto, komandoje taip pat buvo Nacionalinio astrofizikos instituto (INAF), Argelanderio astronomijos instituto (AIfA) ir Neapolio universiteto nariai.
Nors gravitaciniai lęšiai yra naudingi astronomams, juos sunku surasti. Paprastai tai sudarytų astronomai, rūšiuojami per tūkstančius vaizdų, kuriuos užfiksuodavo teleskopai ir observatorijos. Nors akademinės institucijos kaip niekad anksčiau gali pasikliauti astronomais mėgėjais ir piliečių astronomais, niekur nėra įmanoma suspėti su milijonais vaizdų, kurie yra reguliariai fiksuojami instrumentais visame pasaulyje.
Siekdamas išspręsti šią problemą, dr. Petrillo ir jo kolegos kreipėsi į vadinamuosius „konvuliacinius neuroninius tinklus“ (CNN) - mašininio mokymosi algoritmą, kuris kaupia duomenis pagal tam tikrus modelius. Nors „Google“ naudojo tuos pačius neuroninius tinklus, kad laimėtų „Go“ ir pasaulio čempionų varžybas, „Facebook“ juos naudoja, kad atpažintų daiktus, rodomus jos svetainėje esančiuose vaizduose, o „Tesla“ juos panaudojo kurdama savarankiškai važiuojančius automobilius.
Kaip Petrillo paaiškino naujausiame Nyderlandų astronomijos tyrimų mokyklos pranešime spaudai:
„Tai yra pirmas kartas, kai astronominiame tyrime konvoliucinis neuronų tinklas buvo naudojamas ieškant savitų objektų. Manau, kad tai taps norma, nes būsimi astronominiai tyrimai duos didžiulį kiekį duomenų, kuriuos reikės apžiūrėti. Mums nepakanka astronomų, kad su tuo susidorotume. “
Tuomet komanda pritaikė šiuos neuroninius tinklus duomenims, gautiems iš Kilono laipsnio tyrimo (KiDS). Šis projektas remiasi VLT tyrimo teleskopu (VST) ESO Paranal observatorijoje Čilėje, kad būtų galima pavaizduoti 1500 kvadratinių laipsnių pietinį naktinį dangų. Šį duomenų rinkinį sudarė 21 789 spalvoti vaizdai, surinkti VST „OmegaCAM“ - daugiajuosčio ryšio priemonės, kurią sukūrė Europos mokslininkų konsorciumas kartu su ESO.
Visuose šiuose vaizduose buvo šviečiančių raudonųjų galaktikų (LRG), iš kurių trys, kaip žinome, yra gravitaciniai lęšiai, pavyzdžiai. Iš pradžių šiame pavyzdyje nervų tinklas rado 761 gravitacinių lęšių kandidatą. Vizualiai apžiūrėjus šiuos kandidatus, komanda sugebėjo susiaurinti sąrašą iki 56 objektyvų. Ateityje tai dar reikia patvirtinti kosminiais teleskopais, tačiau rezultatai buvo gana teigiami.
Kaip jie nurodo savo tyrime, toks neuroninis tinklas, pritaikytas didesniems duomenų rinkiniams, galėtų atskleisti šimtus ar net tūkstančius naujų objektyvų:
„Konservatyvus įvertinimas, pagrįstas mūsų rezultatais, rodo, kad naudojant mūsų siūlomą metodą turėtų būti įmanoma rasti 100 masyvių LRG-galaktikos lęšių, kai ZDS yra ~ ~ 0,4, kai jie bus baigti. Optimaliausiu atveju šis skaičius gali smarkiai išaugti (maksimaliai iki 2400 objektyvų), praplečiant spalvų gamą ir mokant CNN atpažinti mažesnes vaizdo atskyrimo objektyvų sistemas. “
Be to, nervų tinklas iš naujo atrado du žinomus duomenų rinkinyje esančius lęšius, tačiau praleido trečiąjį. Tačiau taip buvo dėl to, kad šis lęšis buvo ypač mažas, o nervinis tinklas nebuvo išmokytas aptikti tokio dydžio lęšių. Ateityje tyrėjai tikisi tai ištaisyti išmokydami savo nervų tinklą pastebėti mažesnius lęšius ir atmesti klaidingus teiginius.
Bet, be abejo, pagrindinis tikslas yra visiškai panaikinti vizualinės apžiūros poreikį. Tai darydami, astronomai būtų išlaisvinti iš nereikalingo grimo darbo ir galėtų daugiau laiko skirti atradimų procesui. Panašiai kaip mašininio mokymosi algoritmai galėjo būti naudojami astronominiuose duomenyse ieškoti gravitacinių bangų ir egzoplanetų signalų.
Panašiai, kaip kitos pramonės šakos siekia įprasminti vartotojų terabaitus ar kitokio tipo „didelius duomenis“, astrofizikos ir kosmologijos laukai gali pasikliauti dirbtiniu intelektu, kad rastų pavyzdžius neapdorotų duomenų visatoje. Ir išmokėjimas greičiausiai bus ne kas kita, kaip pagreitėjęs atradimo procesas.
