LE GALASSIE E INTELLIGENZA ARTIFICIALE

La Galassia NGC 1365  

Gli astronomi stanno utilizzando l'intelligenza artificiale per indagare su Quasar e galassie Galore.
Nuove applicazioni dell'apprendimento automatico hanno consentito agli astronomi di classificare 27 milioni di galassie e di individuare una dozzina di rari quasar con lenti quadruplicate.
Due nuovi studi utilizzano l'apprendimento automatico, un tipo di intelligenza artificiale, per realizzare imprese astronomiche difficili, se non impossibili, per gli esseri umani da soli.
NGC 1365 Un'immagine di NGC 1365 raccolta dal Dark Energy Survey mostra un esempio di una galassia a spirale luminosa e barrata che si trova nelle vicinanze, a soli 56 milioni di anni luce di distanza.
Di fronte a milioni di galassie osservate nell'ambito del Dark Energy Survey (DES) presso l'Osservatorio interamericano Cerro Tololo in Cile, Jesús Vega-Ferrero (Università della Pennsylvania) e colleghi si sono rivolti alle reti neurali convoluzionali, lo stesso tipo di computer modello utilizzato nel riconoscimento facciale. Come una serie di cappelli di smistamento computerizzati, queste reti hanno deciso il posto di ciascuna galassia in due categorie: forma (a spirale o ellittica) e orientamento (faccia a faccia o di lato).
Il gruppo di scienziati aveva precedentemente lavorato con galassie luminose dallo Sloan Digital Sky Survey (SDSS), ma il DES va più in profondità, trovando galassie 1.000 volte più deboli. Quindi i ricercatori hanno addestrato anche le loro reti neurali ad andare oltre. In primo luogo, hanno insegnato ai modelli computerizzati utilizzando un insieme reale di galassie che erano nelle indagini SDSS e DES, ma queste galassie erano ancora luminose. Per insegnare alle reti a classificare galassie ancora più deboli, il team ha "invecchiato" le galassie SDSS in modo che apparissero più lontane. Una volta addestrate su questi dati reali e simulati, le reti neurali sono state liberate su tutte le galassie DES.
 

Uno studio su 27 milioni di galassie

Gli astronomi hanno "invecchiato" le immagini delle galassie per fornire esempi di reti neurali su cui addestrarsi. Le immagini di una spirale simulata e di una galassia ellittica a distanze sempre maggiori illustrano come galassie più distanti e quindi più deboli potrebbero apparire all'interno del set di dati DES. Le reti neurali hanno così appreso i modelli delle caratteristiche delle galassie anche con una qualità dell'immagine molto bassa, dove l'occhio umano ha difficoltà.
Il risultato, 27 milioni di classificazioni di galassie, è al di là delle capacità umane del crowdsourcing. Nel progetto di scienza dei cittadini del Galaxy Zoo, i volontari hanno impiegato circa due anni per classificare un milione di galassie (con più persone che classificano ciascuna galassia). Un numero impressionante, che è cresciuto solo nel decennio successivo, ma è ancora una goccia nell'oceano dei Big Data che sta per inghiottire l'astronomia da più strutture a terra e nello spazio.
Tuttavia, l'apprendimento automatico non è infallibile. I test su un sottoinsieme delle galassie utilizzate per l'addestramento delle reti neurali hanno mostrato che erano accurate al 97%. Ma i modelli di computer classificano anche il proprio lavoro e il loro livello di fiducia dipende da più cose, incluso il tipo di galassia che viene qualificata. Nel complesso, le reti sono meno sicure circa il 15% circa delle classificazioni spirale / ellittica e il 27% delle classificazioni frontali / frontali.
 

Diamanti grezzi

La missione Gaia dell'Agenzia spaziale europea è un'altra struttura per i Big Data. Durante la mappatura di un miliardo di stelle nella Via Lattea, il satellite ha anche catturato milioni di quasar, galassie che ospitano un buco nero supermassiccio che emette gas nei loro centri brillanti. Ma non tutti i quasar sono ugualmente interessanti. In rare occasioni, quando le galassie si allineano perfettamente, una galassia in primo piano può lente gravitazionalmente un quasar distante, producendo quattro immagini, a volte soprannominate Croci di Einstein.
Questi "diamanti allo stato grezzo" non sono solo belle coincidenze cosmiche; sono anche estremamente utili per ottenere una misura indipendente dell'attuale tasso di espansione dell'universo, un valore su cui gli astronomi stanno attualmente dibattendo.
Ci sono voluti quattro decenni per trovare 56 croci di Einstein. Ora un progetto che sottopone i dati Gaia a più metodi di apprendimento automatico ne ha individuati un'altra dozzina in un colpo solo. Il gruppo, Il risultato, 27 milioni di classificazioni di galassie, è al di là delle capacità umane del crowdsourcing. Nel progetto di scienza dei cittadini del Galaxy Zoo, i volontari hanno impiegato circa due anni per classificare un milione di galassie (con più persone che classificano ciascuna galassia). Un numero impressionante, che è cresciuto solo nel decennio successivo, ma è ancora una goccia nell'oceano dei Big Data che sta per inghiottire l'astronomia da più strutture a terra e nello spazio.
Tuttavia, l'apprendimento automatico non è infallibile. I test su un sottoinsieme delle galassie utilizzate per l'addestramento delle reti neurali hanno mostrato che erano accurate al 97%. Ma i modelli di computer classificano anche il proprio lavoro e il loro livello di fiducia dipende da più cose, incluso il tipo di galassia che viene qualificata. Nel complesso, le reti sono meno sicure circa il 15% circa delle classificazioni spirale / ellittica e il 27% delle classificazioni frontali / frontali.

Lo studio con le lenti

Le lenti sempre leggermente asimmetriche hanno una personalità tutta loro ei ricercatori hanno sfruttato appieno le scoperte per offrire soprannomi basati sull'aspetto di un quad e sulla sua posizione nel cielo. Ad esempio, la "Zampa di lupo" ravvicinata si trova nella costellazione del Lupus, il lupo, e assomiglia proprio al suo omonimo. Un altro, "Aquilone del drago", è in Ofiuco, il portatore di serpente.
Oltre a descrivere i ritrovamenti confermati, il team sottolinea anche gli asterismi, quelli che sembravano lenti quadruple ma si sono rivelati qualcos'altro. Molto spesso, gli algoritmi sono stati ingannati quando le stelle in primo piano nella nostra galassia si sono mascherate come una o più immagini di quasar distanti. Questa "verità fondamentale" offre al team la possibilità di rivedere i metodi di apprendimento automatico prima di applicarli alla più recente versione di dati Gaia.
"L'apprendimento automatico è stato fondamentale per il nostro studio, ma non intende sostituire le decisioni umane", spiega il membro del team Alberto Krone-Martins (Università della California, Irvine). “Formiamo e aggiorniamo continuamente i modelli in un ciclo di apprendimento continuo, in modo tale che gli esseri umani e le competenze umane siano una parte essenziale del ciclo. Quando parliamo di "intelligenza artificiale" in riferimento a strumenti di apprendimento automatico come questi, significa Intelligenza aumentata e non solo " intelligenza artificiale" .
 

Puoi avere il libro di Cosmo Academy e tante soprese mentre ti diverti con tutta la famiglia ai parchi divertimenti del Lazio