Neurale netværk lover skarpeste billeder nogensinde

Teleskoper, astronomiens arbejdshestinstrumenter, er begrænset af størrelsen på det spejl eller objektiv, de bruger. Brug af 'neurale net', en form for kunstig intelligens, en gruppe schweiziske forskere har nu en måde at skubbe forbi denne grænse, giver forskere udsigt til de skarpeste billeder nogensinde inden for optisk astronomi. Det nye værk vises i et papir i Månedlige meddelelser fra Royal Astronomical Society .

Diameteren på dets linse eller spejl, den såkaldte blænde, begrænser grundlæggende ethvert teleskop. Enkelt sagt, jo større spejl eller linse, jo mere lys det samler, tillader astronomer at opdage svagere objekter, og at observere dem mere tydeligt. Et statistisk begreb kendt som 'Nyquist sampling theorem' beskriver opløsningsgrænsen, og derfor hvor mange detaljer der kan ses.

Det schweiziske studie, ledet af prof Kevin Schawinski fra ETH Zürich, bruger det nyeste inden for machine learning -teknologi til at udfordre denne grænse. De underviser i et neuralt netværk, en beregningsmæssig tilgang, der simulerer neuronerne i en hjerne, hvordan ser galakser ud og bed den derefter om automatisk at gendanne et sløret billede og gøre det til et skarpt. Ligesom et menneske, neuralt net har brug for eksempler - i dette tilfælde et sløret og et skarpt billede af den samme galakse - for at lære teknikken.

Deres system bruger to neurale net, der konkurrerer med hinanden, en fremgangsmåde, der er populær blandt maskinlæringsforskningssamfundet, kaldet et "generativt kontradiktorisk netværk", eller GAN. Hele undervisningsprogrammet tog kun et par timer på en højtydende computer.

De uddannede neurale net var i stand til at genkende og rekonstruere funktioner, som teleskopet ikke kunne løse - såsom stjernedannende områder, stænger og støvbaner i galakser. Forskerne kontrollerede det i forhold til det originale højopløselige billede for at teste dets ydeevne, finder det bedre i stand til at gendanne funktioner end noget, der er brugt til dato, herunder 'deconvolution' -tilgang, der blev brugt til at forbedre de billeder, der blev taget i de tidlige år med Hubble -rumteleskopet.

Schawinski ser dette som et stort skridt fremad:"Vi kan starte med at gå tilbage til himmelundersøgelser foretaget med teleskoper over mange år, se flere detaljer end nogensinde før, og for eksempel lære mere om strukturen af ​​galakser. Der er ingen grund til, at vi ikke derefter kan anvende denne teknik til de dybeste billeder fra Hubble, og det kommende James Webb -rumteleskop, for at lære mere om de tidligste strukturer i universet. "

Professor Ce Zhang, samarbejdspartneren fra datalogi, ser også et stort potentiale:"Den enorme mængde astronomiske data er altid fascinerende for computerforskere. Men, når teknikker som maskinlæring dukker op, astrofysik giver også en god test seng til at tackle et grundlæggende beregningsmæssigt spørgsmål - hvordan integrerer vi og drager fordel af den viden, mennesker har akkumuleret gennem tusinder af år, ved hjælp af et maskinlæringssystem? Vi håber, at vores samarbejde med Kevin også kan belyse dette spørgsmål. "

Projektets succes peger på en mere "datadrevet" fremtid for astrofysik, hvor information automatisk læres fra data, i stedet for manuelt udformede fysikmodeller. ETH Zürich er vært for dette arbejde med space.ml tværfaglig astrofysik/datalogi initiativ, hvor koden er tilgængelig for offentligheden.