Нещодавно японські астрономи розробили інструмент, який на основі штучного інтелекту (ШІ) робить знимки галактик яснішими. Алгоритми прибирають небажані шуми з даних про галактики, дозволяючи нам чіткіше бачити їхні справжні масштаби.
ШІ вже натренували на даних з японського телескопа Subaru і виявили, що розподіл маси від ШІ цілком відповідає наявним моделям. Зарядившись оптимізмом, токійські науковці з NAOJ (Національна астрономічна обсерваторія Японії) заявили, що їх метод можна застосовувати на масштабних астрономічних обсерваціях. Завдяки йому дослідники зможуть вивчати структуру Всесвіту, спираючись на моделі гравітаційного лінзування.
В чому була проблема?
Гравітаційне лінзування – це явище, за якого масивні космічні об’єкти (на кшталт скупчень галактик) можуть викривляти світло, яке випромінюють об’єкти на їх фоні. Інакше кажучи, знимки далеких космічних тіл можуть викривлятися через гравітацію об’єктів, розташованих перед ними.
Найкращий приклад – галактична система «Око Гора», яку відкрили 2016 року у тій самій NAOJ. Система, названа на честь давньоєгипетського божества, є фактично побічним ефектом лінзування двох далеких галактик ближчою галактикою.
Внутрішня дуга «Ока» має червоний відтінок, а зовнішня – блакитний. Жовтий об’єкт у центрі – масивна галактика, яка викривляє світло від двох фонових галактик. Джерело: National Astronomical Observatory of Japan
Проблема гравітаційного лінзування в астрономії розмиває різницю між гравітаційним викривленням знимків і знимками галактик, які насправді викривлені самі собою. Це називають шумовим формуванням, і ця штука добряче підриває довіру до фото великих структур нашого Всесвіту.
Що робити?
Свіже дослідження, що його опублікували у Monthly Notices of the Royal Astronomical Society, демонструє, як можна протистояти шумовому формуванню. Це стало можливим завдяки ATERUI II, найпотужнішому астрономічному суперкомп’ютеру.
Він отримує штучні та реальні дані з телескопа Subaru і моделює десятки тисяч макетів галактик з реалістичним шумом. Штучний інтелект, своєю чергою, навчається на цих моделях виокремлювати «правильні» дані з шумів. Детальніше про те, як моделі аналізують і навчаються на масивах даних, ми писали у цій статті.
В епоху великих даних нам потрібно долати усі кордони між спеціальностями та використовувати усі доступні інструменти. Ми об’єднали моделювання, аналіз та глибинне навчання і зробили важливий крок у розвитку астрономії.
Масато Сірасакі, керівник групи дослідників
Схема роботи мережі GAN. Джерело: NAOJ
Використовуючи генеративну мережу GAN, штучний інтелект навчився знаходити деталі, які раніше ніхто не помічав. Фактично GAN використовує дві мережі: одна генерує знимки без шуму, а друга порівнює їх з реальним фото без шуму, маркуючи створені зображення як підробку. Коли через систему «проганяють» велику кількість таких пар зображень, обидві мережі навчаються.
У наступних дослідженнях науковці обіцяють звернути увагу на нові квадратні градуси неба, та перевіряти розподіл маси переднього плану на інших космологічних моделях.
Також читайте:
