Arcfelismerés mellett távoli kvazárok és galaxisok osztályozásában is segíthet a mesterséges intelligencia egyik fajtája

1392

Két új tanulmány jelent meg nemrég, amelyek a mesterséges intelligencia egyik ágával, a gépi tanulással olyan eredményeket értek el a csillagászatban, amelyekre az ember önmagában nem lenne képes.

NGC 1365
Az NGC 1365 jelű galaxis a Dark Energy Survey projekt felvételén. A fényes spirálgalaxis nincs messze, csupán 56 millió fényévre van tőlünk. (Forrás: DECam / DES Collaboration)

A chilei Cerro Tololo obszervatóriumban futó Dark Energy Survey (sötétenergia-felmérés) keretében több millió galaxisról készülnek felvételek. Jesús Vega-Ferrero (University of Pennsylvania) és munkatársai a gigantikus mennyiségű adatot az úgynevezett konvolúciós ideghálózatok segítségével, egy olyan számítógépes modellel vizsgálták, amelyet az arcfelismeréshez is használnak. Mint a Harry Potter válogató kalapja – a konvolúciós ideghálózatok minden galaxist a következő két tulajdonság szerint osztottak kategóriákba: az alakjuk (spirál vagy ellipszis), valamint az irányultságuk alapján (oldalról vagy szemből látjuk őket).

A kutatócsoport korábban a Sloan Digitális Égboltfelmérés (SDSS) fényes galaxisaival dolgozott, de a Dark Energy Survey (DES) sokkal mélyebbre hatol, akár ezerszer halványabb galaxisokat is megtalál. A kutatók ezért a neurális hálózatokat is ehhez igazították. Először is betanították a számítógépes modelleket, hogy azokat a galaxisokat használják, amelyek mindkét égboltfelmérés adataiban megjelennek. Ezek fényes galaxisok voltak. Ahhoz, hogy a hálózatokat a halványabb galaxisok osztályozására is megtanítsák, a kutatók „öregítették” az SDSS-galaxisokat, hogy távolibbnak tűnjenek. Miután a valódi és a modellezett galaxisok adatain gyakoroltak, a neutrális hálózatokat ráengedték a Dark Energy Survey galaxisaira.

Training galaxies
A kutatók „öregítették” a galaxisok felvételeit, hogy a neurális hálózatoknak legyen min tanulniuk. A felső sorban egy modellezett spirálgalaxis, az alsó sorban pedig egy elliptikus galaxis képei láthatók egyre távolabbról és távolabbról (egyre romló képminőségben). Nagyon jól illusztrálják, hogy a Dark Energy Survey távolabbi és halványabb galaxisai hogyan jelennek meg az égboltfelmérés adataiban. A neurális hálózatok így még nagyon gyenge képminőség mellett is megtanulták felismerni a galaxisok jellemzőit, ami az emberi szemnek már nehézséget okozna. (Forrás: Jesus Vega-Ferrero and Helena Dominguez-Sanchez)

Ennek eredményeként 27 millió galaxis besorolását végezték el, ami messze meghaladja az emberi lehetőségeket még akkor is, ha közösségi közreműködést veszünk igénybe. A Galaxy Zoo elnevezésű közösségi tudományos projekt keretében önkéntesek két év alatt egymillió galaxis osztályozását végezték el. Lenyűgöző eredmény, amit a következő évtized bizonyosan felül fog múlni. A Big Data óceánjában ez azonban még mindig csak egy csepp, márpedig a földi és űrbéli csillagászati létesítmények egyre nagyobb adatmennyiséggel szolgálnak.

A gépi tanulás természetesen még nem üzembiztos eljárás. Az ideghálózatok betanítására használt galaxisok egy részével végzett tesztek azt mutatták, hogy a hálózatok pontossága 97%-os. De a számítógépes modellek a saját munkájukat is rangsorolják, és a megbízhatóságuk több tényezőtől is függ, beleértve a minősített galaxis típusát is. Összességében az ideghálózatok a spirál/ellipszis osztályozás nagyjából 15%-ában, a szemből/oldalról osztályozásnak pedig 27%-ában voltak kevésbé biztosak.

Csiszolatlan gyémántok

Az Európai Űrügynökség Gaia küldetése szintén nagy adatmennyiséggel dolgozik. Miközben a Tejútrendszer egymilliárd csillagát térképezi fel, a műhold több millió kvazárt is felfedezett. Ezek fényes galaxisok, amelyek központjában szuper nagytömegű fekete lyuk táplálkozik. A kvazárok közül azonban nem mind ugyanolyan érdekes. Előfordul, hogy a galaxisok tőlünk nézve egy vonalban látszanak. Ilyenkor az előtérben látható galaxis gravitációs lencsézéssel egy távoli kvazárról négy képet hoz létre. Ezt a négyszeres képet nevezik Einstein-keresztnek.

Ezek a csiszolatlan gyémántok amellett, hogy gyönyörű kozmikus egybeesések, rendkívül hasznosak a Világegyetem tágulási sebességének független méréséhez is, amelynek értéke folyamatos vita tárgya.

Négy évtizedbe tellett, hogy 56 Einstein-keresztet találjunk. Egy új projekt, amely a Gaia adatbázisát több gépi tanulási eljárásnak vetette alá, kapásból egy újabb tucatot fedezett fel. A Daniel Stern (JPL-Caltech) vezette kutatócsoport több földi obszervatórium segítségével erősítette meg az eredményeket.

Quadruply lensed quasars
Az újonnan talált, négyszeresen leképezett kvazárok közül négy a felfedezők által adott becenevekkel: az „Ikrek nyílpuskája”; a „Farkasmancs”; a „Sárkány papírsárkánya”; valamint a „Mikroszkóplencse”. A felvételek közepén látható homályos folt a lencséző galaxis, amelynek gravitációja úgy osztotta el a mögötte lévő kvazár fényét, hogy négy kvazárképet alkotott. (Forrás: The GraL Collaboration)

A mindig enyhén aszimmetrikus lencséknek saját személyiségük van, és a kutatók a felfedezőknek járó előjogot kihasználva a négyesek megjelenése és égen elfoglalt helyzetük alapján becenevekkel látták el őket. A szoros elrendezésű „Farkasmancs” például a Lupus (Farkas) csillagképben látható, és pontosan úgy néz ki, mint amiről a nevét kapta. A „Sárkány papírsárkánya” pedig az Ophiuchus (Kígyótartó) csillagképben látszik.

A kutatók a megerősített felfedezések mellett azokra a csillagokra is felhívják a figyelmet, amelyek szintén lencsézett kvazárok négyszeres képének tűntek, de másnak bizonyultak. Ez leggyakrabban akkor történik meg, ha az algoritmusok a saját galaxisunk előtércsillagait egy vagy több távoli kvazár képének hiszik. A kutatócsoport ezeknek hála felül tudja vizsgálni a gépi tanulási módszereket, mielőtt azokat a legújabb Gaia-adatsorra alkalmaznák.

„A gépi tanulás kulcsfontosságú szerepet játszott a kutatásunkban, de nem helyettesítheti az emberi döntéseket.” – magyarázza a kutatócsoport tagja, Alberto Krone-Martins (University of California, Irvine). „Folyamatos tanulási ciklusban képezzük és fejlesztjük a modelleket, miközben az ember és az emberi szakértelem a ciklus elengedhetetlen része. Amikor AI-ról beszélünk egy ilyen gépi tanulási eszközökre hivatkozva, akkor kiterjesztett intelligenciát (Augmented Intelligence) értünk alatta, nem pedig mesterséges intelligenciát (Artificial Intelligence).”

Forrás: Sky & Telescope

Az eredményeket bemutató szakcikkek:

J. Vega-Ferrero et al. “Pushing automated morphological classifications to their limits with the Dark Energy Survey.” Monthly Notices of the Royal Astronomical Society, 2021. március 2. (preprint)

D. Stern et al. “Gaia GraL: Gaia DR2 Gravitational Lens Systems. VI. Spectroscopic Confirmation and Modeling of Quadruply-Imaged Lensed Quasars.”, közlésre elfogadta az Astrophysical Journal folyóirat

Hozzászólás

hozzászólás