Investigadores del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía y la Universidad de Stanford han demostrado por primera vez que las redes neuronales, una forma de inteligencia artificial, pueden analizar con precisión las distorsiones complejas en el espacio-tiempo conocidas como lentes gravitacionales 10 millones de veces más rápido quemétodos tradicionales.
"Los análisis que generalmente demoran semanas o meses en completarse, que requieren el aporte de expertos y que son computacionalmente exigentes, pueden realizarse mediante redes neuronales en una fracción de segundo, de manera totalmente automatizada y, en principio, en unchip de computadora del teléfono celular ", dijo Laurence Perreault Levasseur, investigador postdoctoral, coautor de un estudio publicado hoy en Naturaleza .
Análisis complejo rápido como el rayo
El equipo del Instituto Kavli de Astrofísica y Cosmología de Partículas KIPAC, un instituto conjunto de SLAC y Stanford, utilizó redes neuronales para analizar imágenes de lentes gravitacionales fuertes, donde la imagen de una galaxia lejana se multiplica y se distorsiona en anillos yarcos por la gravedad de un objeto masivo, como un cúmulo de galaxias, que está más cerca de nosotros. Las distorsiones proporcionan pistas importantes sobre cómo se distribuye la masa en el espacio y cómo esa distribución cambia con el tiempo, propiedades vinculadas a la materia oscura invisible que constituye85 por ciento de toda la materia en el universo y la energía oscura que está acelerando la expansión del universo.
Hasta ahora, este tipo de análisis ha sido un proceso tedioso que consiste en comparar imágenes reales de lentes con una gran cantidad de simulaciones por computadora de modelos matemáticos de lentes. Esto puede llevar semanas o meses para una sola lente.
Pero con las redes neuronales, los investigadores pudieron hacer el mismo análisis en unos segundos, que demostraron usando imágenes reales del telescopio espacial Hubble de la NASA y simuladas.
Para entrenar las redes neuronales en lo que deben buscar, los investigadores les mostraron aproximadamente medio millón de imágenes simuladas de lentes gravitacionales durante aproximadamente un día. Una vez capacitadas, las redes pudieron analizar lentes nuevas casi instantáneamente con una precisión comparablea los métodos de análisis tradicionales. En un documento separado, enviado a The Astrophysical Journal Letters, el equipo informa cómo estas redes también pueden determinar las incertidumbres de sus análisis.
Preparado para inundaciones de datos del futuro
"Las redes neuronales que probamos - tres redes neuronales disponibles al público y una que desarrollamos nosotros mismos - pudieron determinar las propiedades de cada lente, incluyendo cómo se distribuía su masa y cuánto magnificaba la imagen de la galaxia de fondo", dijo el autor principal del estudio, Yashar Hezaveh, becario postdoctoral del Hubble de la NASA en KIPAC.
Esto va mucho más allá de las aplicaciones recientes de redes neuronales en astrofísica, que se limitaron a resolver problemas de clasificación, como determinar si una imagen muestra una lente gravitacional o no.
La capacidad de examinar grandes cantidades de datos y realizar análisis complejos muy rápidamente y de manera totalmente automatizada podría transformar la astrofísica de una manera muy necesaria para futuros estudios del cielo que mirarán más profundamente en el universo y producirán más datos-- que nunca antes.
El Gran Telescopio de prospección sinóptica LSST, por ejemplo, cuya cámara de 3,2 gigapíxeles se encuentra actualmente en construcción en SLAC, proporcionará vistas incomparables del universo y se espera que aumente la cantidad de lentes gravitacionales fuertes conocidos de unos pocos cientos hoy en díaa decenas de miles
"No tendremos suficientes personas para analizar todos estos datos de manera oportuna con los métodos tradicionales", dijo Perreault Levasseur. "Las redes neuronales nos ayudarán a identificar objetos interesantes y analizarlos rápidamente. Esto nos dará más tiempo parahacer las preguntas correctas sobre el universo "
Un enfoque revolucionario
Las redes neuronales se inspiran en la arquitectura del cerebro humano, en la que una densa red de neuronas procesa y analiza rápidamente la información.
En la versión artificial, las "neuronas" son unidades computacionales individuales que están asociadas con los píxeles de la imagen que se analiza. Las neuronas se organizan en capas, hasta cientos de capas de profundidad. Cada capa busca características en la imagen.Una vez que la primera capa ha encontrado una determinada característica, transmite la información a la siguiente capa, que luego busca otra característica dentro de esa característica, y así sucesivamente.
"Lo sorprendente es que las redes neuronales aprenden por sí mismas qué características deben buscar", dijo el científico del personal de KIPAC Phil Marshall, coautor del artículo. "Esto es comparable a la forma en que los niños pequeños aprenden a reconocer objetos. Ustedno les digas exactamente qué es un perro; solo muéstrales fotos de perros "
Pero en este caso, Hezaveh dijo: "Es como si no solo tomaran fotos de perros de una pila de fotos, sino que también devolvieran información sobre el peso, la altura y la edad de los perros".
Aunque los científicos de KIPAC realizaron sus pruebas en el clúster de computación de alto rendimiento Sherlock en el Centro de Computación de Investigación de Stanford, podrían haber hecho sus cálculos en una computadora portátil o incluso en un teléfono celular, dijeron. De hecho, uno de los neuronalesLas redes que probaron fueron diseñadas para funcionar en iPhones.
"Las redes neuronales se han aplicado a problemas astrofísicos en el pasado con resultados mixtos", dijo el miembro de la facultad de KIPAC Roger Blandford, quien no fue coautor del artículo. "Pero nuevos algoritmos combinados con unidades modernas de procesamiento de gráficos o GPU, puede producir resultados extremadamente rápidos y confiables, como lo demuestra dramáticamente el problema de la lente gravitacional abordado en este documento. Existe un considerable optimismo de que este se convertirá en el enfoque elegido para muchos más problemas de procesamiento y análisis de datos en astrofísica y otros campos ".
Parte de este trabajo fue financiado por la Oficina de Ciencia del DOE.
Fuente de la historia :
Materiales proporcionados por Laboratorio nacional de aceleración DOE / SLAC . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :