Bij het in kaart brengen van het universum, het loont om wat slimme programmering te hebben. Experts vertellen hoe machine learning de toekomst van de astronomie verandert.

Astronomie is een van de oudste wetenschappen en de eerste wetenschap waarin wiskunde en meetkunde zijn verwerkt. Het staat centraal in de zoektocht van de mensheid naar zijn plaats in het universum.

Naarmate we dieper in de ruimte rond onze planeet duiken, de tools die we gebruiken worden complexer. Astronomen hebben een lange weg afgelegd door de nachtelijke hemel met het blote oog te volgen of de sterren te catalogiseren met pen en papier.

Moderne astronomen gebruiken geavanceerde computerprogrammeertechnieken in hun werk - van het programmeren van satellieten tot het leren van computers om gegevens te analyseren zoals een onderzoeker.

Dus wat doen astronomen met hun computers?

Mo' gegevens, mo' problemen

Big data is een groot probleem in de astronomie. De volgende generatie radio- en optische telescopen zal in staat zijn enorme delen van de nachtelijke hemel in kaart te brengen. De Square Kilometre Array (SKA) zal de gegevensverwerking tot het uiterste drijven.

Gebouwd in twee fasen, de SKA zal na voltooiing meer dan 2000 radioschotels en 2 miljoen laagfrequente antennes hebben. Deze antennes samen zullen elke dag meer dan een exabyte aan gegevens produceren - meer dan het internetgebruik van de wereld per dag. De gegevens worden vervolgens verwerkt om ze beheersbaar te maken, wat betekent dat de omvang van de gegevens waar astronomen mee te maken hebben kleiner zal zijn.

Projectwetenschapper voor de Australische SKA Pathfinder Dr. Aidan Hotan legt uit.

"Gegevens van een radiotelescooparray lijken veel op de stroom van water door een ecosysteem. De afzonderlijke antennes produceren elk gegevens, die vervolgens over enige afstand wordt uitgezonden en in verschillende stadia wordt gecombineerd met andere antennes, zoals kleinere zijrivieren die samenkomen in een grotere rivier, ' zegt Aidan.

"De grootste datasnelheid die u kunt overwegen, is de totale ruwe output van elke afzonderlijke antenne, maar in werkelijkheid, we verlagen die totale snelheid tot meer beheersbare aantallen terwijl we door het systeem stromen. We kunnen de signalen combineren op manieren die alleen de informatie behouden die we willen of kunnen gebruiken."

Hoewel de SKA het grootste project in zijn soort zal zijn, veel moderne telescopen zijn in staat om sneller gegevens te verzamelen dan mensen het kunnen gebruiken.

Hoe een explosie te vinden?

De SKA zal een baanbrekend hulpmiddel zijn voor astronomen als het eenmaal voltooid is. Nu al, astronomen bereiden hun werk voor op fase één van de SKA. Om dit te doen, ze werken aan manieren om hun werk sneller en gemakkelijker te maken door het vastleggen en verwerken van gegevens te automatiseren.

Dus wat voor soort werk kunnen astronomen automatiseren?

Dr. Gemma Anderson is onderzoeksmedewerker bij het International Center for Radio Astronomy Research in Perth. Daar, ze heeft Australische radiotelescopen geprogrammeerd om explosies in de ruimte automatisch te volgen.

"We hebben een telescoop in de ruimte die is ontworpen om naar explosies te zoeken. De ruimtetelescoop stuurt informatie terug naar de aarde, en ik heb twee van de grote radiotelescopen in Australië opgesteld om dat signaal te ontvangen. Als ze het signaal krijgen, deze telescopen stoppen met wat ze doen en proberen de explosie zo snel mogelijk te observeren, ' zegt Gemma.

Gemma gebruikt het Swift-observatorium, momenteel in een baan om de aarde, om gammaflitsen in de ruimte te vinden. De uitbarstingen zijn van korte duur, ongelooflijk energetisch bijproduct van stervende sterren.

Gemma en haar team hebben de Australische Murchison Widefield Array en Australia Telescope Compact Array geprogrammeerd om waarschuwingen van Swift te ontvangen en naar de bron van de gammastraaluitbarsting te wijzen.

Vroeger, telescoopgegevens zoals deze waren klein genoeg voor astronomen om door zichzelf te werken. Nutsvoorzieningen, Gemma gebruikt software die een groot deel van dit proces automatiseert.

Gegevensverwerking is zo'n grote taak dat het op supercomputers moet worden gedaan. Supercomputers zijn krachtige computers die vaak enorme hoeveelheden gegevens in uren kunnen verwerken in plaats van maanden of jaren die een standaardlaptop zou kosten. Het eindproduct is een beeld dat Gemma kan gebruiken voor onderzoek zonder zelf de data te hoeven verwerken.

"Voor die mensen die geïnteresseerd zijn in het zijn van een astronoom, het is erg belangrijk om ervaring op te doen met computerprogrammering. We moeten vaardiger worden in het verwerken en analyseren van grote hoeveelheden gegevens, ' zegt Gemma.

Een robot scholen

Dr. Rebecca Lange van het Curtin Institute for Computation and Astronomy Data and Computing Services helpt astronomen hun computerprogrammeertechnieken te verbeteren door hen training te geven.

"Ik denk dat astronomen meer met software-engineers zullen moeten gaan werken. In de tussentijd zullen Hoewel, astronomen zullen beter worden in computers. Zaken als programmeren moeten onderdeel worden van de opleiding. Niet alleen voor astronomen, het is belangrijk voor iedereen die nu wetenschap doet, ' zegt Rebekka.

Een van de technieken waarmee Rebecca astronomen traint, is machine learning. Maak je geen zorgen, het is niet het soort leren dat leidt tot een robotopstand.

"Het gebruik van machine learning omvat doorgaans een geautomatiseerd zoeken door een enorm afbeeldingsbestand, op zoek naar wat we bronnen noemen - de objecten in de ruimte die natuurlijke radiosignalen uitzenden. Deze bronnen verschijnen als heldere vlekken tegen een donkere achtergrond, ' zegt Aidan.

"Omdat de meeste ruimte leeg is, het gebruik van een slimme bronzoeker maakt het voor wetenschappers een stuk eenvoudiger om uit te zoeken waar de interessante stukjes zijn. Echter, deze bronzoeker moet slim genoeg zijn om een ​​groot aantal verschillende soorten objecten te classificeren, inclusief dingen die menselijke ogen nog nooit eerder hebben gezien."

One source might be a galaxy that is spiral shaped, while another might be elliptical. The machine-learning program learns to sort similar images into those labels through a series of steps. These steps are a basic emulation of how human brains recognise patterns. Getting computers to do this gives astronomers useful information out of raw data.

"Machine learning is getting picked up because we now have the amount of data needed. When you're doing supervised learning, you need a lot of data to train on. If you look at galaxy classification, we have done so many already that we have a great training sample for machine learning, " Rebecca says.

She thinks automation and machine learning will give astronomers more time to focus on their science rather than analysing their data. She also says designing these programs will be the job given to next-generation astronomers in their early career.

"Astronomers are still getting used to machine learning. They're still experimenting:what algorithm works best, what kind of machine learning techniques are most useful to apply, " ze zegt.

"Direct, it's a great entry point for Ph.D. students to develop code. The industry needs it, and it saves them having to sort the data themselves."

They will reach deeper into the universe and find old galaxies from the beginning of time. They will map hidden worlds, distant suns and the strangest, most destructive forces in existence. Perhaps they will even find new life.

These computer programs will work like a funnel. They will sort through massive amounts of raw data to find astronomers valuable information. A long way from our analogue past, computers are helping us uncover the secrets of our universe—perhaps even, op een dag, understanding of our place within it.

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