science >> Wetenschap >  >> Astronomie

Zal AI menselijke astronomen in het sterrenstof achterlaten?

Krediet:Hubble-ruimtetelescoop

Machine learning komt voor astronomie. Maar dat betekent niet dat astronomen en burgerwetenschappers achterhaald zijn. In feite, het kan precies het tegenovergestelde betekenen.

Als je aan een sterrenstelsel denkt, het eerste dat in je opkomt is een spiraal. Er is een dichte cluster van sterren in de kern en enkele grote, zwaaiende spiraalarmen opzij.

Maar dat is niet het enige soort sterrenstelsel dat er is. Zoals mensen, sterrenstelsels zijn er in alle soorten en maten. Er zijn schijfvormige en bolvormige, nette versperde spiralen en rommelige onregelmatigheden.

sterrenstelsels, gesorteerd

Die vorm is niet alleen belangrijk voor je gevoel voor esthetiek als je een bureaubladachtergrond kiest. Het vertelt ons ook heel veel over het heelal, volgens Mitchell Cavanagh, doctoraat kandidaat bij het International Center for Radio Astronomy Research (ICRAR).

"We noemen elliptische trainers vroege typen omdat ze prominenter zijn naarmate je naar hogere roodverschuivingen in het eerdere universum gaat. Dan je spiralen, we hebben de neiging om laat type te noemen omdat ze vaker voorkomen als we kijken naar het meer recente universum bij melkwegstelsels met een lagere roodverschuiving dicht bij ons, ' zegt Mitchel.

"Dus gewoon kunnen volgen hoe dat gaat, is heel belangrijk."

Het probleem, zoals gewoonlijk, is dat er een kavel van sterrenstelsels daarbuiten. De oplossing tot nu toe via projecten zoals de Galaxy Zoo (en ICRAR's eigen AstroQuest), is geweest om vrijwillige "burgerwetenschappers" in te schakelen om ook te helpen bij het sorteren van de gegevens. Maar met de hoeveelheid astronomische gegevens die door nieuwe projecten zoals de SKA binnenkomen, zelfs een leger van burgerwetenschappers is misschien niet genoeg.

"Je krijgt miljarden sterrenstelsels, miljarden afbeeldingen. En alleen al het enorme aantal voorbeelden dat binnenkomt, zelfs met burgerwetenschap, je hebt een heel grote pool van vrijwilligers nodig, ' zegt Mitchel.

NGC 1300, een balkspiraalstelsel. Krediet:Goddard Space Flight Center

Maak kennis met de AI-stronomers

Een oplossing zou een soort machine learning-algoritme kunnen zijn dat een convolutioneel neuraal netwerk of CNN wordt genoemd. Dat is precies wat Mitchell heeft ontwikkeld. Het draait op een gewone desktopcomputer, maar kan in slechts enkele seconden tienduizenden sterrenstelsels doorzoeken.

Wat Mitchells programma onderscheidt van eerdere pogingen, is dat het meer soorten sterrenstelsels tegelijk kan sorteren.

"Veel van de neurale netwerken in de astronomie hebben de neiging om alleen naar binaire dingen te kijken, zoals is dit een vroeg type of is het een laat type, dat soort dingen, ' zegt Mitchel.

"Terwijl we willen proberen meer in detail te treden. We willen naar meer klassen kijken in plaats van slechts twee."

Neurale netten, Mitchel zegt, hebben het potentieel om sneller en efficiënter te zijn. Ze kunnen ook worden gebruikt in situaties die moeilijk zijn, tijdrovend of gewoon saai voor menselijke vrijwilligers om te doen. Dat omvat zaken als het classificeren van gesimuleerde sterrenstelsels die niet echt bestaan.

"Als je eenmaal een CNN hebt getraind, je kunt ze toepassen op allerlei andere dingen - simulaties en dat soort dingen - om wat coole wetenschap te doen die die simulaties vergelijkt met observaties, " hij zegt.

Maar hang je melkwegsorteerhoed nog niet op. Zoals gewoonlijk, er is een vangst.

NGC3610, een elliptisch sterrenstelsel. Krediet:Goddard Space Flight Center

Komen de robots voor mijn (vrijwilligers)baan?

Als astronomen een mens leren sterrenstelsels te sorteren, ze zouden de vorm beschrijven, praten over de belangrijkste kenmerken, misschien een diagram tekenen en een paar voorbeelden laten zien om te voltooien.

Als we een AI leren, ze kunnen enkel en alleen voorbeelden gebruiken - en waar vrijwilligers uit een of twee voorbeelden kunnen achterhalen wat een balkspiraal is, een neuraal netwerk nodig heeft honderden .

"Fundamenteel, een neuraal netwerk wordt eigenlijk alleen zo goed als de gegevens waarmee je het traint, ' zegt Mitchel.

En als we wat lastige technieken gebruiken om te kijken naar hoe het "denken, " de kenmerken van de afbeeldingen waarnaar het zoekt, lijken helemaal niet op de afbeeldingen die we als mensen zouden gebruiken.

Hersenen trainen

Dit laat ons met een klein raadsel achter. We hebben onze AI nodig om onze sterrenstelsels in typen te sorteren, maar om onze AI te trainen, we moeten al weten welke typen onze sterrenstelsels zijn.

Verre van het overbodig maken van menselijke burgerwetenschappers, AI-aangedreven astronomie geeft hen eigenlijk een promotie - van het werk zelf doen tot meer een coach of leraar zijn.

"In zekere zin de neurale netwerken zijn gebouwd bovenop de bestaande inspanningen van burgerwetenschap."

AI is echt goed in het geven van mensen precies wat het denkt dat ze willen. Om het te gebruiken voor astronomie, we hebben een leger van goed opgeleide vrijwilligers nodig die goed gesorteerde sterrenstelsels willen - en ja, daar kom je binnen.

Dit artikel verscheen voor het eerst op Particle, een wetenschappelijke nieuwswebsite gebaseerd op Scitech, Perth, Australië. Lees het originele artikel.