telescopen, de werkpaardinstrumenten van de astronomie, worden beperkt door de grootte van de spiegel of lens die ze gebruiken. Met behulp van 'neurale netten', een vorm van kunstmatige intelligentie, een groep Zwitserse onderzoekers heeft nu een manier om die grens te overschrijden, biedt wetenschappers het vooruitzicht van de scherpste beelden ooit in de optische astronomie. Het nieuwe werk verschijnt in een paper in Maandelijkse mededelingen van de Royal Astronomical Society .

De diameter van zijn lens of spiegel, het zogenaamde diafragma, beperkt elke telescoop fundamenteel. In simpele termen, hoe groter de spiegel of lens, hoe meer licht het verzamelt, waardoor astronomen zwakkere objecten kunnen detecteren, en om ze beter te observeren. Een statistisch concept dat bekend staat als 'Nyquist-steekproefstelling' beschrijft de resolutielimiet, en dus hoeveel details er te zien zijn.

De Zwitserse studie, onder leiding van Prof Kevin Schawinski van ETH Zürich, gebruikt de nieuwste machine learning-technologie om deze limiet uit te dagen. Ze leren een neuraal netwerk, een computationele benadering die de neuronen in een brein simuleert, hoe sterrenstelsels eruit zien, en vraag het dan om automatisch een wazig beeld te herstellen en er een scherp beeld van te maken. Net als een mens, het neurale net heeft voorbeelden nodig - in dit geval een wazig en scherp beeld van hetzelfde sterrenstelsel - om de techniek te leren.

Hun systeem gebruikt twee neurale netwerken die met elkaar concurreren, een opkomende benadering die populair is bij de onderzoeksgemeenschap op het gebied van machine learning, een "generatief vijandig netwerk" genoemd, of GA. Het hele lesprogramma duurde slechts een paar uur op een krachtige computer.

De getrainde neurale netten waren in staat om kenmerken te herkennen en te reconstrueren die de telescoop niet kon oplossen - zoals stervormingsgebieden, bars en stofbanen in sterrenstelsels. De wetenschappers hebben het vergeleken met de originele afbeelding met hoge resolutie om de prestaties te testen, vinden dat het beter in staat is om functies te herstellen dan alles wat tot nu toe is gebruikt, inclusief de 'deconvolutie'-benadering die werd gebruikt om de beelden te verbeteren die in de beginjaren van de Hubble-ruimtetelescoop werden gemaakt.

Schawinski ziet dit als een grote stap voorwaarts:"We kunnen beginnen door terug te gaan naar hemelonderzoeken die gedurende vele jaren met telescopen zijn gemaakt, zie meer details dan ooit tevoren, en leer bijvoorbeeld meer over de structuur van sterrenstelsels. Er is geen reden waarom we deze techniek dan niet kunnen toepassen op de diepste beelden van Hubble, en de komende James Webb-ruimtetelescoop, om meer te weten te komen over de vroegste structuren in het heelal."

Professor Ce Zhang, de medewerker van de informatica, ziet ook een groot potentieel:"De enorme hoeveelheid astronomische gegevens is altijd fascinerend voor computerwetenschappers. Maar, wanneer technieken zoals machine learning opduiken, astrofysica biedt ook een geweldige proeftuin voor het aanpakken van een fundamentele computationele vraag - hoe integreren en profiteren we van de kennis die mensen gedurende duizenden jaren hebben verzameld, een machine learning-systeem gebruiken? We hopen dat onze samenwerking met Kevin ook licht kan werpen op deze vraag."

Het succes van het project wijst op een meer "data-gedreven" toekomst voor astrofysica waarin informatie automatisch wordt geleerd van data, in plaats van handmatig vervaardigde natuurkundige modellen. ETH Zürich host dit werk in het kader van het interdisciplinaire astrofysica/computerwetenschappelijke initiatief space.ml, waar de code beschikbaar is voor het grote publiek.