A gravitációs lencsék fontos eszköz azoknak a csillagászoknak, akik az Univerzum legtávolabbi tárgyait kívánják tanulmányozni. Ez a technika magában foglalja egy hatalmas anyagcsoport (általában egy galaxis vagy klaszter) alkalmazását egy távoli fényforrás és egy megfigyelő között, hogy jobban megnézze az abból származó fényt. Einstein által az általános relativitáselmélet előrejelzése szerint ez lehetővé teszi a csillagászok számára, hogy tárgyakat láthassanak, amelyek egyébként el vannak takarva.
Nemrégiben az európai csillagászok egy csoportja kidolgozott egy módszert a gravitációs lencsék hatalmas adathalomban történő megtalálására. Ugyanazon mesterséges intelligencia algoritmusok segítségével, melyeket a Google, a Facebook és a Tesla használtak céljukhoz, 56 új gravitációs lencsejelöltet találtak egy hatalmas csillagászati felmérésből. Ez a módszer kiküszöböli a csillagászok azon igényét, hogy a csillagászati képeket vizuálisan ellenőrizzék.
A „Erős gravitációs lencsék megtalálása a Kilo fokozat felmérésében a konvolúciós neurális hálózatokkal” című, a kutatásukat leíró tanulmány nemrégiben jelent meg a A Királyi Csillagászati Társaság havi értesítései. Carlo Enrico Petrillo vezetésével, a Kapteyn Csillagászati Intézetből, a csoport tagjai voltak a Nemzeti Asztrofizikai Intézet (INAF), az Argelander-csillagászati intézet (AIfA) és a Nápolyi Egyetem tagjai is.
Noha a csillagászok számára hasznosak, a gravitációs lencsék fájdalmat okoznak. Rendszerint ez azt jelentené, hogy a csillagászok a teleszkópok és az obszervatóriumok által átcsúsztatott képek ezreit válogatják össze. Noha az akadémiai intézmények még mindig soha nem hivatkozhatnak amatőr csillagászokra és állampolgárságú csillagászokra, nincs értelme lépést tartani azokkal a képek millióival, amelyeket világszerte rendszeresen készítenek műszerek.
Ennek megoldására Dr. Petrillo és kollégái a „Convulutional Neural Networks” (CNN) néven ismert eljárásokhoz fordultak. Ez a gépi tanulási algoritmus egy olyan típusú gépi tanulási algoritmus, amely az egyes mintákra bányászja az adatokat. Míg a Google ugyanezeket az ideghálózatokat a Go meccse megnyerte a világbajnok ellen, a Facebook ezeket felismeri a webhelyen közzétett képekben szereplő dolgok felismerésére, a Tesla pedig önálló vezetésű autók fejlesztésére használja őket.
Amint Petrillo kifejtette a Holland Csillagászati Kutatóiskola nemrégiben megjelent sajtócikkében:
„Ez az első alkalom, amikor egy konvolúciós neurális hálózatot használnak sajátos tárgyak keresésére egy csillagászati felmérés során. Úgy gondolom, hogy ez normává válik, mivel a jövőbeli csillagászati felmérések hatalmas mennyiségű adatot fognak előállítani, amelyekre szükség lesz az ellenőrzéshez. Nincs elég csillagászunk ahhoz, hogy megbirkózzunk ezzel. "
A csoport ezután ezeket az ideghálózatokat a Kilo-fokos felmérésből (KiDS) származó adatokra alkalmazta. Ez a projekt a VLT Survey Telescope-ra (VST) támaszkodik az ESO chilei Paranal Obszervatóriumában, hogy feltérképezzék a déli éjszakai égbolt 1500 négyzet fokát. Ez az adatkészlet 21 789 színes képből áll, amelyeket a VST OmegaCAM gyűjtött össze, amely egy több sávú eszköz, amelyet az európai tudósok konzorciuma fejlesztett ki az ESO-val együtt.
Ezek a képek mind a világító vörös galaxisok (LRG) példáit tartalmazták, amelyek közül háromról ismert, hogy gravitációs lencsék. A neurális hálózat kezdetben 761 gravitációs lencse jelöltet talált ebben a mintában. Miután ezeket a jelölteket vizuálisan megvizsgálta, a csapat 56 objektívre szűkítette a listát. Ezeket a jövőben még űrteleszkópokkal kell megerősíteni, ám az eredmények meglehetősen pozitívak voltak.
Mint ahogyan tanulmányukban jelezték, egy ilyen neurális hálózat nagyobb adatkészletekre történő alkalmazásával száz vagy akár több ezer új lencsét fedezhet fel:
„Eredményeinken alapuló konzervatív becslés azt mutatja, hogy a javasolt módszerünknek lehetővé kell tennie 100 masszív LRG-galaxis lencsét, amelyek kb. A legoptimistább forgatókönyv szerint ez a szám jelentősen növekedhet (legfeljebb? 2400 lencséig), ha kibővítjük a szín-nagyságválasztékot, és a CNN-t kiképezzük a kisebb kép-elválasztó lencserendszerek felismerésére. ”
Ezenkívül a neurális hálózat újból felfedezte az adatkészletben ismertetett két lencsét, de a harmadik hiányzott. Ennek oka azonban az volt, hogy ez a lencse különösen kicsi volt, és az idegi hálózatot nem képzték ilyen méretű lencsék észlelésére. A jövőben a kutatók remélik, hogy ezt kijavítják azzal, hogy ideghálójukat úgy képzik, hogy észrevegyék a kisebb lencséket, és elutasítják a hamis pozitív eredményeket.
De természetesen itt a végső cél az, hogy teljes mértékben megszüntessük a szemrevételezés szükségességét. Ilyenkor a csillagászok megszabadulnának a morzsoló munkától, és több időt fordíthatnának a felfedezés folyamatára. Nagyjából ugyanúgy a gépi tanulási algoritmusok segítségével csillagászati adatokra kereshetnék a gravitációs hullámok és az exoplanetek jeleit.
Ugyanúgy, ahogyan más iparágak igyekeznek értelmezni a fogyasztók vagy más típusú „nagy adatok” terabyte-ját, az asztrofizika és a kozmológia területén a mesterséges intelligencia támaszkodhat arra, hogy a nyers adatok univerzumában mintákat találjon. És a kifizetés valószínűleg nem más, mint egy felgyorsított felfedezési folyamat.
