Yerçekimi lensleri, Evrendeki en uzak nesneleri incelemek isteyen gökbilimciler için önemli bir araçtır. Bu teknik, uzak bir ışık kaynağı ile bir gözlemci arasında o kaynaktan gelen ışığı daha iyi görmek için büyük bir madde kümesi (genellikle bir galaksi veya küme) kullanılmasını içerir. Einstein’ın Genel Görelilik Teorisi tarafından öngörülen bir etkide, gökbilimcilerin aksi takdirde gizlenebilecek nesneleri görmelerini sağlar.
Son zamanlarda, bir grup Avrupalı gökbilimci, muazzam veri yığınlarında yerçekimi lensleri bulmak için bir yöntem geliştirdi. Google, Facebook ve Tesla'nın amaçları için kullandığı aynı yapay zeka algoritmalarını kullanarak, devasa bir astronomik araştırmadan 56 yeni yerçekimi lensi adayı bulabildiler. Bu yöntem, gökbilimcilerin astronomik imgelerin görsel incelemelerini yapma ihtiyacını ortadan kaldırabilir.
“Konvolüsyonel Sinir Ağları ile Kilo Derecesi Araştırmasında Güçlü Yerçekimi Lensleri Bulma” başlıklı araştırmalarını açıklayan çalışma, Kraliyet Astronomi Derneği Aylık Bildirimleri. Kapteyn Astronomi Enstitüsü'nden Carlo Enrico Petrillo liderliğindeki ekip, Ulusal Astrofizik Enstitüsü (INAF), Argelander Astronomi Enstitüsü (AIfA) ve Napoli Üniversitesi üyelerini de içeriyordu.
Gökbilimciler için yararlı olsa da, yerçekimi lensleri bulmak için bir acıdır. Normalde bu, teleskoplar ve gözlemevleri tarafından yakalanan binlerce görüntüyü sıralayan astronomlardan oluşur. Akademik kurumlar amatör gökbilimcilere ve vatandaş gökbilimcilere daha önce hiç olmadığı kadar güvenebilirken, dünyadaki enstrümanlar tarafından düzenli olarak yakalanan milyonlarca görüntüye ayak uyduracak bir ima yoktur.
Bunu ele almak için Dr. Petrillo ve meslektaşları, verileri belirli kalıplar için ayıran bir tür makine öğrenme algoritması olan “Konvülsiyonel Sinir Ağları” (CNN) olarak adlandırıldı. Google, aynı sinir ağlarını Go'ya karşı dünya şampiyonu ile kazanmak için kullansa da, Facebook onları sitede yayınlanan görüntülerdeki şeyleri tanımak için kullanıyor ve Tesla bunları kendi kendine giden otomobiller geliştirmek için kullanıyor.
Petrillo'nun Hollanda Astronomi Araştırma Okulu'nun yakın tarihli bir basın makalesinde açıkladığı gibi:
“Bu, astronomik bir araştırmada kendine özgü nesneleri bulmak için ilk kez evrişimli bir sinir ağı kullanıldı. Gelecekteki astronomik araştırmalar incelemek için çok büyük miktarda veri üreteceğinden bu norm haline gelecek. Bununla başa çıkmak için yeterli gökbilimcimiz yok. ”
Ekip daha sonra bu sinir ağlarını Kilo Derecesi Araştırmasından (KiDS) elde edilen verilere uyguladı. Bu proje, ESO’nun Şili'deki Paranal Gözlemevindeki VLT Anket Teleskopuna (VST) dayanarak güney gece gökyüzünün 1500 kare derecesini haritalamak için kullanılıyor. Bu veri seti, VST'nin ESO ile birlikte bir Avrupalı bilim adamı konsorsiyumu tarafından geliştirilen çok bantlı bir araç olan VST'nin OmegaCAM tarafından toplanan 21.789 renkli görüntüyü içeriyordu.
Bu görüntülerin üçü yerçekimi lensi olarak bilinen Işıklı Kırmızı Gökada (LRG) örnekleri içeriyordu. Başlangıçta sinir ağı, bu örnekte 761 yerçekimi lensi adayı buldu. Bu adayları görsel olarak inceledikten sonra, ekip listeyi 56 objektife kadar daraltabildi. Bunların gelecekte uzay teleskopları tarafından onaylanması gerekiyor, ancak sonuçlar oldukça olumluydu.
Çalışmalarında belirttiği gibi, böyle bir sinir ağı daha büyük veri setlerine uygulandığında yüzlerce hatta binlerce yeni lens ortaya çıkarabilir:
“Sonuçlarımıza dayalı muhafazakar bir tahmin, önerdiğimiz yöntemle tamamlandığında KiDS'de z ~> 0.4'de? 100 büyük LRG-galaksi lensi bulmanın mümkün olması gerektiğini gösteriyor. En iyimser senaryoda, renk büyüklüğü seçimini genişletirken ve CNN'yi daha küçük görüntü ayırma lens sistemlerini tanıması için eğitirken bu sayı önemli ölçüde büyüyebilir (en fazla? 2400 lens için). ”
Ek olarak, sinir ağı veri kümesinde bilinen iki lensi yeniden keşfetti, ancak üçüncüsü kaçırdı. Bununla birlikte, bu, bu lensin özellikle küçük olması ve sinir ağının bu boyuttaki lensleri tespit etmek için eğitilmemesinden kaynaklanmıştır. Gelecekte, araştırmacılar sinir ağlarını daha küçük lensler fark etmek ve yanlış pozitifleri reddetmek için eğiterek bunu düzeltmeyi umuyorlar.
Ancak elbette, buradaki nihai hedef görsel inceleme ihtiyacını tamamen ortadan kaldırmaktır. Böyle yaparak, gökbilimciler homurdanma işi yapmaktan kurtulur ve keşif sürecine daha fazla zaman ayırabilirler. Aynı şekilde, makine öğrenme algoritmaları, yerçekimi dalgaları ve dış gezegenlerin sinyalleri için astronomik verilerde arama yapmak için kullanılabilir.
Diğer endüstrilerin terabaytlarca tüketici veya diğer “büyük veri” türlerinden nasıl bir anlam çıkarmaya çalıştığı gibi, astrofizik ve kozmoloji alanı da bir ham veri Evrenindeki kalıpları bulmak için yapay zekaya güvenebilir. Ve getirinin, hızlandırılmış bir keşif sürecinden daha az bir şey olmaması muhtemeldir.
