Гравитациона сочива су важан алат за астрономе који желе да проучавају најудаљеније објекте у Универзуму. Ова техника укључује употребу огромног грозда материје (обично галаксије или кластера) између удаљеног извора светлости и посматрача да боље види светлост која долази из тог извора. У ефекту који је предвидјела Аинстеинова теорија опште релативности, ово астрономима омогућава да виде предмете који би у супротном могли бити затамњени.
Недавно је група европских астронома развила методу за проналажење гравитационих сочива у огромним гомилама података. Користећи исте алгоритме вештачке интелигенције које су Гоогле, Фацебоок и Тесла користили у своје сврхе, успели су да пронађу 56 нових кандидата за гравитационо сочиво из огромног астрономског истраживања. Овом методом могу се елиминисати потребе астронома да спроведу визуелне прегледе астрономских слика.
Студија која описује њихово истраживање, под називом „Проналажење јаких гравитационих сочива у истраживању степена Кило с конволуцијским неуронским мрежама“, недавно се појавила у часопису Месечна обавештења Краљевског астрономског друштва. Предвођени Карлом Енрицом Петриллом из Астрономског института Каптеин, тим је такође обухватио чланове Националног института за астрофизику (ИНАФ), Аргеландер-Института за астрономију (АИфА) и Универзитета у Напуљу.
Иако су корисни астрономима, гравитациона сочива су бол за проналажење. Обично би се то састојало од астронома који би сортирали на хиљаде слика снимљених телескопима и опсерваторијама. Иако се академске институције могу ослонити на астроомере аматере и грађане астрономе као никада до сада, не постоји начин да буду у току са милионима слика које редовно снимају инструменти широм света.
Да би се позабавили овим проблемом, др Петрилло и његове колеге су се обратили ономе што је познато као „Конвулуционе неуронске мреже“ (ЦНН), врсти алгоритма машинског учења који минобира податке за одређене обрасце. Док је Гоогле користио те исте неуронске мреже да би добио меч Го против светског првака, Фацебоок их користи за препознавање ствари на сликама објављеним на његовом вебсајту, а Тесла их користи за развој аутомобила са аутоматским управљањем.
Као што је Петрилло објаснио у недавном чланку за штампу из Холандске истраживачке школе за астрономију:
„Ово је први пут да се конволуционарна неуронска мрежа користи за откривање осебујних објеката у астрономском истраживању. Мислим да ће то постати нормалан јер ће будућа астрономска истраживања дати огромну количину података која ће бити потребна за увид. Немамо довољно астронома да се носимо са тим. "
Тим је затим применио ове неуронске мреже на податке добијене из анкете о Кило-ступњевима (КиДС). Овај пројекат се ослања на ВЛТ анкетни телескоп (ВСТ) у Есоловој опсерваторији ЕСО у Чилеу за мапирање 1500 квадратних степени јужног ноћног неба. Овај скуп података састојао се од 21 789 слика у боји које је прикупио ВСТ-ов ОмегаЦАМ, вишепојасни инструмент који је развио конзорцијум европских научника у сарадњи са ЕСО.
Све ове слике садрже примере Сјајних црвених галаксија (ЛРГ), од којих су три биле гравитационе сочива. У почетку је неуронска мрежа пронашла 761 кандидата за гравитационо сочиво унутар овог узорка. Након визуелног прегледа ових кандидата, тим је успео да сузи списак на 56 сочива. Они ће их у будућности још морати потврдити свемирским телескопима, али резултати су били прилично позитивни.
Као што указују у својој студији, таква неуронска мрежа, када се примени на веће скупове података, може открити стотине или чак хиљаде нових сочива:
„Конзервативна процена заснована на нашим резултатима показује да би помоћу предложене методе требало пронаћи 100 масивних ЛРГ-галаксијских сочива при з ~> 0,4 у КиДС када се заврши. У најоптимистичнијем сценарију, овај број може знатно порасти (максимално до 2400 сочива), када проширимо избор магнитуда боја и обучимо ЦНН да препознаје мање системе сочива за одвајање слике. "
Поред тога, неуронска мрежа је открила два позната сочива у скупу података, али је пропустила трећу. Међутим, то је због чињенице да је ово сочиво било посебно мало и неуронска мрежа није обучена за откривање сочива ове величине. У будућности се истраживачи надају да ће то исправити обучавањем своје неуронске мреже да примете мања сочива и одбацују лажне позитивне резултате.
Али, наравно, крајњи циљ је у потпуности уклонити потребу за визуелним прегледом. Радећи то, астрономи би били ослобођени да морају вршити груб рад и могли би посветити више времена процесу откривања. На скоро исти начин, алгоритми машинског учења би се могли користити за претраживање астрономских података за сигнале гравитационих таласа и егзопланета.
Као и како друге индустрије желе да имају смисла из терабајта потрошачких или других врста „великих података“, теренска астрофизика и космологија могу се ослањати на вештачку интелигенцију како би пронашли обрасце у Универзуму сирових података. А отплата вероватно неће бити ништа мање од убрзаног процеса откривања.
