Observation, simulering, og AI går sammen for at afsløre et klart univers

Japanske astronomer har udviklet en ny kunstig intelligens (AI) teknik til at fjerne støj i astronomiske data på grund af tilfældige variationer i galakseformer. Efter omfattende træning og afprøvning af store falske data skabt af supercomputersimuleringer, de anvendte derefter dette nye værktøj på faktiske data fra Japans Subaru-teleskop og fandt ud af, at massefordelingen afledt af at bruge denne metode er i overensstemmelse med de i øjeblikket accepterede modeller af universet. Dette er et kraftfuldt nyt værktøj til at analysere big data fra aktuelle og planlagte astronomiundersøgelser.

Bredt område undersøgelsesdata kan bruges til at studere universets struktur i stor skala gennem målinger af gravitationslinsemønstre. I gravitationslinser, tyngdekraften af ​​et forgrundsobjekt, som en klynge af galakser, kan forvrænge billedet af et baggrundsobjekt, såsom en fjernere galakse. Nogle eksempler på gravitationslinser er indlysende, såsom "Eye of Horus." Den store struktur, består for det meste af mystisk "mørkt" stof, kan også forvrænge formerne på fjerne galakser, men den forventede linseeffekt er subtil. Det er nødvendigt at beregne et gennemsnit over mange galakser i et område for at skabe et kort over fordelinger af mørkt stof i forgrunden.

Men denne teknik med at se på mange galaksebilleder løber ind i et problem; nogle galakser ser bare lidt sjove ud. Det er svært at skelne mellem et galaksebillede forvrænget af gravitationslinser og en galakse, der faktisk er forvrænget. Dette omtales som formstøj og er en af ​​de begrænsende faktorer i forskning, der studerer universets struktur i stor skala.

For at kompensere for formstøj, et hold japanske astronomer brugte først ATERUI II, verdens mest kraftfulde supercomputer dedikeret til astronomi, at generere 25, 000 falske galaksekataloger baseret på rigtige data fra Subaru-teleskopet. De tilføjede derefter realistisk støj til disse perfekt kendte kunstige datasæt, og trænede en kunstig intelligens til statistisk at gendanne det mørke stof fra linsen fra de falske data.

Efter træning, AI var i stand til at gendanne tidligere uobserverbare fine detaljer, med til at forbedre vores forståelse af det kosmiske mørke stof. Brug derefter denne AI på rigtige data, der dækker 21 kvadratgrader af himlen, holdet fandt en fordeling af forgrundsmasse i overensstemmelse med den standard kosmologiske model.

"Denne forskning viser fordelene ved at kombinere forskellige typer forskning:observationer, simuleringer, og AI-dataanalyse, " siger Masato Shirasaki, lederen af ​​holdet, "I denne tid med big data, vi skal træde på tværs af traditionelle grænser mellem specialer og bruge alle tilgængelige værktøjer til at forstå dataene. Hvis vi kan gøre dette, det vil åbne nye felter inden for astronomi og andre videnskaber."