Vil AI efterlade menneskelige astronomer i stjernestøvet?

Machine learning kommer for astronomi. Men det betyder ikke, at astronomer og borgerforskere er forældede. Faktisk, det kan betyde præcis det modsatte.

Når du tænker på en galakse, det første, der kommer til at tænke på, er en spiral. Der er en tæt klynge stjerner i kernen og nogle store, fejer spiralarme ud til siden.

Men det er ikke den eneste slags galakse derude. Ligesom mennesker, galakser kommer i alle former og størrelser. Der er skiveformede og kugleformede, pæne sprossede spiraler og rodede irregulære.

Galakser, sorteret

Den form er ikke kun vigtig for din sans for æstetik, når du vælger et skrivebordsbaggrund. Det fortæller os også en masse om universet, ifølge Mitchell Cavanagh, Ph.D. kandidat ved International Center for Radio Astronomy Research (ICRAR).

"Vi kalder elliptiske modeller for tidlige typer, fordi de er mere fremtrædende, når du går ud til højere rødforskydninger i det tidligere univers. Så er dine spiraler, vi har en tendens til at kalde sen type, fordi de er mere almindelige, når vi ser på det nyere univers ved lavere rødforskydningsgalakser tæt på os, " siger Mitchell.

"Så bare at kunne spore, hvordan det går, er ret vigtigt."

Problemet, som altid, er, at der er en masse af galakser derude. Løsningen indtil videre, gennem projekter som Galaxy Zoo (og ICRARs egen AstroQuest), har været for at rekruttere frivillige "borgerforskere" til også at hjælpe med at sortere dataene. Men med mængden af ​​astronomiske data, der kommer gennem nye projekter som SKA, selv en hær af borgerforskere er måske ikke nok.

"Du kommer til at have milliarder af galakser, milliarder af billeder. Og bare den store mængde prøver, der kommer ind - selv med borgervidenskab, du får brug for en meget stor pulje af frivillige, " siger Mitchell.

Mød AI-stronomerne

En løsning kunne være en type maskinlæringsalgoritme kaldet et konvolutionelt neuralt netværk eller CNN. Det er præcis, hvad Mitchell har udviklet. Den kører på en almindelig stationær computer, men kan stadig sortere gennem titusindvis af galakser på få sekunder.

Det, der adskiller Mitchells program fra tidligere forsøg, er, at det kan sortere flere galaksetyper ad gangen.

"Mange af de neurale netværk i astronomi har en tendens til kun at se på binære ting, er dette en tidlig type eller er det en sen type, ting som, " siger Mitchell.

"Mens vi gerne vil prøve at komme mere i detaljer. Vi vil se på flere klasser i stedet for kun to."

Neurale net, Mitchell siger, har potentialet til at blive hurtigere og mere effektiv. De kan også bruges i situationer, der ville være vanskelige, tidskrævende eller bare kedeligt for menneskelige frivillige at gøre. Det inkluderer ting som at klassificere simulerede galakser, der faktisk ikke eksisterer.

"Når du har trænet en CNN, du kan anvende dem på alle mulige andre ting - simuleringer og den slags - for at lave noget cool videnskab, der sammenligner de simuleringer med observationer, " han siger.

Men hæng ikke din galaksesorteringshat op endnu. Som altid, der er en fangst.

Kommer robotterne efter mit (frivillige) job?

Når astronomer lærer et menneske at sortere galakser, de ville beskrive formen, tale om de vigtige funktioner, måske tegne et diagram og vise et par eksempler til slut.

Hvis vi underviser i en kunstig intelligens, de kan kun brug eksempler - og hvor frivillige kunne finde ud af, hvad en spærrespiral er ud fra et eller to eksempler, et neuralt netværk har brug for hundredvis .

"Grundlæggende et neuralt netværk vil i virkeligheden kun være så godt som de data, du træner det med, " siger Mitchell.

Og hvis vi bruger nogle vanskelige teknikker til at se på, hvordan det "tænker, "funktionerne ved de billeder, den leder efter, ligner slet ikke dem, vi ville bruge som mennesker.

Træning af hjerner

Dette efterlader os med lidt af en gåde. Vi har brug for vores AI til at sortere vores galakser i typer, men for at træne vores AI, vi har allerede brug for at vide, hvilke typer vores galakser er.

Langt fra at gøre menneskelige videnskabsmænd forældede, AI-drevet astronomi giver dem faktisk en forfremmelse – fra at udføre arbejdet selv til at være mere som en coach eller lærer.

"I en vis forstand, de neurale netværk er bygget oven på den eksisterende indsats inden for borgervidenskab."

AI er rigtig god til at give folk præcis, hvad den tror, ​​de vil have. For at bruge det til astronomi, vi har brug for en hær af veltrænede frivillige, der ønsker pænt sorterede galakser – og ja, det er der du kommer ind.

Denne artikel dukkede først op på Particle, et videnskabsnyhedswebsted baseret på Scitech, Perth, Australien. Læs den originale artikel.