Videnskab
 science >> Videnskab >  >> Astronomi

Kunstig intelligens hjælper med at identificere astronomiske objekter

Kunstnerindtryk af Euklid. Kredit:ESA/ATG medialab (rumfartøj); NASA, ESA, CXC, C. Ma, H. Ebeling og E. Barrett (U. Hawaii/IfA) et al. og STScI (baggrund)

Klassificering af himmellegemer er et langvarigt problem. Med kilder på næsten ufattelige afstande er det nogle gange svært for forskere at skelne mellem objekter som stjerner, galakser, kvasarer eller supernovaer.

Instituto de Astrofísica e Ciências do Espaços (IA) forskere Pedro Cunha og Andrew Humphrey forsøgte at løse dette klassiske problem ved at skabe SHEEP, en maskinlæringsalgoritme, der bestemmer arten af ​​astronomiske kilder. Andrew Humphrey (IA &University of Porto, Portugal) kommenterer:"Problemet med at klassificere himmellegemer er meget udfordrende, hvad angår antallet og kompleksiteten af ​​universet, og kunstig intelligens er et meget lovende værktøj til denne type opgaver. "

Den første forfatter til artiklen, nu offentliggjort i tidsskriftet Astronomy &Astrophysics , Pedro Cunha, en ph.d. studerende ved IA og ved Institut for Fysik og Universitetet i Porto, siger:"Dette arbejde blev født som et sideprojekt fra min kandidatafhandling. Det kombinerede erfaringerne fra den tid til et unikt projekt."

Andrew Humphrey, Pedro Cunhas MSc-rådgiver og nu Ph.D. co-rådgiver siger:"Det var meget fedt at få sådan et interessant resultat, især fra en kandidatafhandling."

SHEEP er en overvåget maskinlæringspipeline, der estimerer fotometriske rødforskydninger og bruger denne information, når kilderne efterfølgende klassificeres som en galakse, kvasar eller stjerne. "Den fotometriske information er den nemmeste at opnå og er derfor meget vigtig for at give en første analyse af arten af ​​de observerede kilder," siger Pedro Cunha.

Animation af Euclid-rumfartøjet. Kredit:ESA/ATG medialab

"Et nyt skridt i vores pipeline er, at SHEEP forud for udførelse af klassificeringen først estimerer fotometriske rødforskydninger, som derefter placeres i datasættet som en ekstra funktion til klassificeringsmodeltræning."

Holdet fandt ud af, at inklusive rødforskydningen og koordinaterne for objekterne gjorde det muligt for AI at forstå dem inden for et 3D-kort over universet, og de brugte det sammen med farveinformation til at foretage bedre vurderinger af kildeegenskaber. For eksempel lærte AI, at der er en større chance for at finde stjerner tættere på Mælkevejsplanet end ved de galaktiske poler. Humphrey tilføjede:"Da vi tillod AI at have en 3D-visning af universet, forbedrede dette virkelig dets evne til at træffe nøjagtige beslutninger om, hvad hvert himmelobjekt var."

Bredområdeundersøgelser, både jord- og rumbaserede, som Sloan Digital Sky Survey (SDSS), har givet store mængder data, hvilket revolutionerer astronomiområdet. Fremtidige undersøgelser, udført af personer som Vera C. Rubin Observatory, Dark Energy Spectroscopic Instrument (DESI), Euclid (ESA) rummissionen eller James Webb Space Telescope (NASA/ESA) vil fortsætte med at give os mere detaljerede oplysninger billeddannelse. Det kan dog være tidskrævende at analysere alle data ved hjælp af traditionelle metoder. AI eller machine learning vil være afgørende for at analysere og gøre den bedste videnskabelige brug af disse nye data.

Dette arbejde er en del af teamets indsats for at udnytte den forventede syndflod af data, der kommer fra disse undersøgelser, ved at udvikle kunstige intelligenssystemer, der effektivt klassificerer og karakteriserer milliarder af kilder.

3D-kort over universet, lavet af eBOSS-samarbejdet på SDSS. Kredit:EPFL

Pedro Cunha siger:"En af de mest spændende dele er at se, hvordan maskinlæring hjælper os til bedre at forstå universet. Vores metodologi viser os en mulig vej, mens der skabes nye undervejs i processen. Det er en spændende tid for astronomi. "

Billeddannelse og spektroskopiske undersøgelser er en af ​​hovedressourcerne til forståelsen af ​​universets synlige indhold. Dataene fra disse undersøgelser muliggør statistiske undersøgelser af stjerner, kvasarer og galakser og opdagelsen af ​​mere ejendommelige objekter.

Hovedefterforsker Polychronis Papaderos siger:"Udviklingen af ​​avancerede Machine Learning-algoritmer, såsom SHEEP, er en integreret del af IA's sammenhængende strategi mod videnskabelig udnyttelse af hidtil uset store sæt fotometriske data for milliarder af galakser med ESA's Euclid-rummission, der er planlagt til opsendelsesmission. i 2023."

Euclid vil give en detaljeret kartografi af universet og kaste lys ind i naturen af ​​det gådefulde mørke stof og mørke energi. + Udforsk yderligere

Astronomer producerer det største 3D-katalog over galakser