Visualización del artista de esta investigación. Uso de análisis de datos impulsados por IA para eliminar el ruido y encontrar la forma real del universo. Crédito:Instituto de Matemática Estadística
Los astrónomos japoneses han desarrollado una nueva técnica de inteligencia artificial (IA) para eliminar el ruido en los datos astronómicos debido a variaciones aleatorias en las formas de las galaxias. Después de un extenso entrenamiento y pruebas en grandes datos simulados creados por simulaciones de supercomputadoras, Luego aplicaron esta nueva herramienta a los datos reales del Telescopio Subaru de Japón y encontraron que la distribución de masa derivada del uso de este método es consistente con los modelos actualmente aceptados del Universo. Esta es una nueva y poderosa herramienta para analizar macrodatos de estudios astronómicos actuales y planificados.
Los datos de la encuesta de área amplia se pueden usar para estudiar la estructura a gran escala del Universo a través de mediciones de patrones de lentes gravitacionales. En lentes gravitacionales, la gravedad de un objeto en primer plano, como un cúmulo de galaxias, puede distorsionar la imagen de un objeto de fondo, como una galaxia más distante. Algunos ejemplos de lentes gravitacionales son obvios, como el "Ojo de Horus". La estructura a gran escala, que consiste principalmente en misteriosa materia "oscura", también puede distorsionar las formas de galaxias distantes, pero el efecto de lente esperado es sutil. Se requiere promediar muchas galaxias en un área para crear un mapa de distribuciones de materia oscura en primer plano.
Pero esta técnica de mirar muchas imágenes de galaxias se encuentra con un problema; algunas galaxias son innatamente un poco divertidas. Es difícil distinguir entre una imagen de galaxia distorsionada por lentes gravitacionales y una galaxia que en realidad está distorsionada. Esto se conoce como ruido de forma y es uno de los factores limitantes en la investigación que estudia la estructura a gran escala del Universo.
Esquema de la inteligencia artificial utilizada en este estudio, una red generativa adversaria (GAN). La primera red, llamado generador de imágenes G, estima y genera un mapa de lente sin ruido a partir de un mapa de lente ruidoso. La segunda red, el discriminador de imagen D, compara el mapa de lentes creado por G con el verdadero mapa de lentes sin ruido e identifica la imagen creada por G como falsa. Al ingresar una gran cantidad de pares de mapas de lentes ruidosos / libres de ruido en las dos redes, G está capacitado para hacer mapas de lentes más cercanos a los originales, y D está entrenado para detectar con mayor precisión las falsificaciones hechas por G. En este estudio, 25, Se utilizaron 000 pares de mapas de lentes con ruido y sin ruido obtenidos de simulaciones numéricas utilizando ATERUI II para crear una red estable. Finalmente, un generador de imágenes entrenado G estima un mapa de lente sin ruido basado en el mapa de lente de observación con ruido realmente observado. Crédito:NAOJ
Para compensar el ruido de la forma, un equipo de astrónomos japoneses utilizó por primera vez ATERUI II, la supercomputadora más poderosa del mundo dedicada a la astronomía, para generar 25, 000 simulacros de catálogos de galaxias basados en datos reales del Telescopio Subaru. Luego agregaron ruido realista a estos conjuntos de datos artificiales perfectamente conocidos, y entrenó a una IA para recuperar estadísticamente la materia oscura de la lente a partir de los datos simulados.
Después de entrenar, la IA pudo recuperar detalles finos que antes no eran observables, ayudando a mejorar nuestra comprensión de la materia oscura cósmica. Luego, usando esta IA en datos reales que cubren 21 grados cuadrados del cielo, el equipo encontró una distribución de masa en primer plano consistente con el modelo cosmológico estándar.
"Esta investigación muestra los beneficios de combinar diferentes tipos de investigación:observaciones, simulaciones, y análisis de datos de IA, "dice Masato Shirasaki, el líder del equipo, "En esta era de macrodatos, debemos cruzar las fronteras tradicionales entre especialidades y utilizar todas las herramientas disponibles para comprender los datos. Si podemos hacer esto, abrirá nuevos campos en astronomía y otras ciencias ".
