Нейронные сети находят всё больше практических применений в самых разных областях. Наиболее часто они используются для распознавания изображений. Лучше всего с этим справляются свёрточные нейронные сети (CNN – convolutional neural network), которые активно разрабатывают Google, Facebook и другие крупные ИТ-компании. Помимо обработки графического контента в повседневных и развлекательных целях, CNN становятся актуальны в науке.
В частности, с их помощью пытаются решить актуальную проблему – анализ астрофотографий. Современные исследователи космоса получили настолько продвинутые инструменты наблюдения, что не успевают изучать полученные снимки. За последние годы появились орбитальные телескопы и гигапиксельные камеры. В качестве рутинной операции стали выполняться цифровые обзоры неба сразу в нескольких спектрах. Сегодня автоматические обсерватории за месяц (или уже за неделю?) собирают больше данных, чем было накоплено за всю историю астрономии вплоть до начала XXI века.
Проще говоря, наблюдательная астрономия столкнулась с кризисом обработки данных. Ситуация сложилась такая же, как в российской глубинке в урожайный год: обильные всходы не радуют, поскольку не хватает рук их убирать.
В астрономии же сейчас остро не хватает глаз. Исследователи постоянно обращаются к волонтёрам с просьбой помочь им найти какой-нибудь космический объект на очередном снимке. Таких снимков за год появляется несколько миллионов. Просто пролистать их – уже титанический труд, а уж разглядывать и анализировать… жизни не хватит.
Чем хороша нейросеть, так это своей неутомимостью. Миллион снимков? Отлично! Миллиард? Прекрасно! Дайте только памяти побольше. Другое важное свойство CNN – это всеядность. Они могут искать что угодно: хоть кота на фоне ковра, хоть одни галактики на фоне других.
Этой осенью группа астрономов из университетов Гронингена, Неаполя и Бонна разработала нейросеть, которая находит на астрофотографиях гравитационные линзы (ГЛ). Эти космические миражи возникают из-за того, что массивный объект (вроде звёздного скопления) искривляет свет, проходящий в его гравитационном поле. Поэтому мы можем увидеть по краям такого объекта парные изображения галактики или квазара, расположенных за ним.
Например, в созвездии Пегаса можно увидеть Крест Эйнштейна. Это четыре линзированных изображения одного и того же квазара, находящегося относительно наблюдателя с Земли позади галактики ZW 2237+030.
Однако не все гравитационные линзы столь очевидны, как эта. Каждое изображение, хоть отдалённо похожее на линзирующую систему, получает отметку “кандидат”. Все объекты-кандидаты заносятся в очередь на прицельное исследование. Его выполняют более мощными телескопами, или просто наблюдают в другом спектре. По результатам нескольких проверок кандидаты либо подтверждаются, либо отсеиваются.
Разработчики обучили нейронную сеть на сравнительно небольшой выборке изображений известных гравитационных линз. Затем они загрузили для анализа снимки общей площадью в 255 квадратных градусов (примерно полпроцента небосвода). На этой выборке среди 21 789 красных галактик нейронная сеть нашла 761 объект, похожий на ГЛ. После визуальной верификации астрономы сразу отсеяли большую часть кандидатов, оставив лишь 56. Скажете, плохой результат? Посмотрим, сколько найдёте вы и за какое время!
Также заранее было известно, что на представленном участке неба находятся три подтверждённые гравитационные линзы. Две из них нейросеть разглядела, а вот третью – нет. Иными словами, созданная нейросеть пока демонстрирует большое число ложноположительных результатов, да и ложноотрицательные тоже встречаются. Однако она уже работает более предсказуемо, чем бригада волонтёров.
Изначально слабый результат типичен для любой новой CNN. Главное их свойство – самообучаемость. Чем больше снимков они обработают, тем точнее станут анализировать новые. Это пример того, как количество переходит в качество.
Пока новая CNN довольно уверенно распознаёт лишь гравитационные линзы с радиусами колец Эйнштейна более 1.4 arcsec, но разработчики не просто полны надежд, а обосновывают их расчётами. Уже в ходе текущего обзора Kilo-Degree Survey они рассчитывают обнаружить от 100 (пессимистический прогноз) до 2400 (оптимистический сценарий) гравитационных линз. Когда нейросети полностью избавят астрономов от рутинной визуальной проверки? Это лишь вопрос времени, и уже довольно скорого.
Статья подготовлена по материалам публикации “Finding strong gravitational lenses in the Kilo Degree Survey with Convolutional Neural Networks”
Автор статьи: Андрей Васильков
Изображения взяты с: European Southern Observatory (ESO), NASA, ESA, L. Calcada, Enrico Petrillo/Rijksuniversiteit Groningen.
Привет, это редакция канала the Robot. Если тебе понравилась эта статья или тематика нашего канала – нажми лайк и подпишись, чтобы не пропустить новые материалы.
Новости о роботах и ИИ теперь можно читать там, где тебе удобно, присоединяйся!
Наш telegram канал : https://t.me/robotics_channel
Наш сайт: https://the-robot.ru/
