Gravitationslinser er et vigtigt redskab for astronomer, der søger at studere de fjerneste objekter i universet. Denne teknik involverer at bruge en massiv klynge af stof (normalt en galakse eller klynge) mellem en fjern lyskilde og en observatør for bedre at se lys komme fra denne kilde. I en effekt, der blev forudsagt af Einsteins teori om generel relativitet, giver dette astronomer mulighed for at se objekter, der ellers kan være skjult.
For nylig udviklede en gruppe europæiske astronomer en metode til at finde gravitationslinser i enorme bunker med data. Ved hjælp af de samme kunstige intelligensalgoritmer, som Google, Facebook og Tesla har brugt til deres formål, kunne de finde 56 nye gravitationslinsekandidater fra en massiv astronomisk undersøgelse. Denne metode kunne eliminere behovet for astronomer til at foretage visuel inspektion af astronomiske billeder.
Undersøgelsen, der beskriver deres forskning, med titlen "Finde stærke gravitationslinser i Kilo Degree Survey med konvolutional neurale netværk", dukkede for nylig op i Månedlige meddelelser fra Royal Astronomical Society. Under ledelse af Carlo Enrico Petrillo fra Kapteyn Astronomical Institute inkluderede teamet også medlemmer af National Institute for Astrophysics (INAF), Argelander-Institute for Astronomy (AIfA) og University of Naples.
Mens de er nyttige for astronomer, er gravitationslinser en smerte at finde. Normalt vil dette bestå af astronomer, der sorterede gennem tusinder af billeder, der er knækket af teleskoper og observatorier. Mens akademiske institutioner er i stand til at stole på amatørastronomer og borgerastronomer som aldrig før, er der ikke nogen måde at holde trit med millioner af billeder, der regelmæssigt bliver fanget af instrumenter rundt om i verden.
For at tackle dette vendte Dr. Petrillo og hans kolleger sig mod det, der er kendt som ”Convulutional Neural Networks” (CNN), en type maskinlæringsalgoritme, der uddanner data til specifikke mønstre. Mens Google brugte de samme neurale netværk for at vinde en kamp Go mod verdensmesteren, bruger Facebook dem til at genkende ting på billeder, der er lagt ud på sit websted, og Tesla har brugt dem til at udvikle selvkørende biler.
Som Petrillo forklarede i en nylig presseartikel fra den nederlandske forskerskole for astronomi:
”Dette er første gang, at et indviklet neuralt netværk er blevet brugt til at finde særegenheder i en astronomisk undersøgelse. Jeg tror, det vil blive normen, da fremtidige astronomiske undersøgelser vil producere en enorm mængde data, som det er nødvendigt at inspicere. Vi har ikke nok astronomer til at klare dette. ”
Holdet anvendte derefter disse neurale netværk på data, der stammer fra Kilo-Degree Survey (KiDS). Dette projekt er afhængig af VLT Survey Telescope (VST) ved ESO's Paranal Observatory i Chile for at kortlægge 1500 kvadratgrader af den sydlige nattehimmel. Dette datasæt bestod af 21.789 farvebilleder indsamlet af VSTs OmegaCAM, et multiband-instrument udviklet af et konsortium af europæisk videnskabsmand i samarbejde med ESO.
Disse billeder indeholdt alle eksempler på lysende røde galakser (LRG'er), hvoraf tre er kendt som gravitationslinser. Oprindeligt fandt det neurale netværk 761 gravitationslinsekandidater inden for denne prøve. Efter at have kontrolleret disse kandidater visuelt, var teamet i stand til at indsnævre listen til 56 linser. Disse skal stadig bekræftes af rumteleskoper i fremtiden, men resultaterne var ret positive.
Som de antyder i deres undersøgelse, kunne et sådant neuralt netværk, når det anvendes til større datasæt, afsløre hundreder eller endda tusinder af nye linser:
”Et konservativt skøn baseret på vores resultater viser, at det med vores foreslåede metode burde være muligt at finde? 100 massive LRG-galakslinser ved z ~> 0,4 i KiDS, når de er afsluttet. I det mest optimistiske scenarie kan dette antal vokse betydeligt (til maksimalt 2400 linser), når udvide farve-størrelsesudvælgelsen og trænes CNN til at genkende mindre billedskillelseslinsesystemer. ”
Derudover genopdagede det neurale netværk to af de kendte linser i datasættet, men gik glip af det tredje. Dette skyldtes imidlertid, at denne linse var særlig lille, og det neurale netværk ikke blev trænet til at detektere linser af denne størrelse. I fremtiden håber forskerne at rette op på dette ved at træne deres neurale netværk til at lægge mærke til mindre linser og afvise falske positiver.
Men selvfølgelig er det endelige mål her at fjerne behovet for visuel inspektion helt. Dermed ville astronomer frigøres fra at skulle udføre grynt arbejde og kunne afsætte mere tid til opdagelsesprocessen. På omtrent samme måde kunne maskinlæringsalgoritmer bruges til at søge gennem astronomiske data efter signaler om gravitationsbølger og exoplaneter.
Ligesom hvordan andre brancher søger at give mening ud fra terabytter for forbruger eller andre typer "big data", kunne feltastrofysikken og kosmologien stole på kunstig intelligens for at finde mønstrene i et univers af rå data. Og udbetalingen er sandsynligvis intet mindre end en fremskyndet opdagelsesproces.
