Diferentes formas de galaxias, de izquierda a derecha:elíptica, lenticular espiral, e irregular / misceláneo. Crédito:NASA / Hubble (galaxia elíptica M87), ESA / Hubble &NASA (galaxia lenticular NGC 6861 y galaxias antenas en colisión), y David Dayag (la galaxia espiral de Andrómeda).
Los astrónomos han diseñado y entrenado un programa de computadora que puede clasificar decenas de miles de galaxias en solo unos segundos. una tarea que normalmente lleva meses realizar.
En una investigación publicada hoy, Los astrofísicos de Australia han utilizado el aprendizaje automático para acelerar un proceso que a menudo realizan manualmente astrónomos y científicos ciudadanos de todo el mundo.
"Las galaxias tienen diferentes formas y tamaños, "dijo el autor principal Mitchell Cavanagh, un doctorado candidato basado en el nodo de la Universidad de Australia Occidental del Centro Internacional de Investigación en Radioastronomía (ICRAR).
"Clasificar las formas de las galaxias es un paso importante para comprender su formación y evolución, e incluso puede arrojar luz sobre la naturaleza del propio Universo ".
Cavanagh dijo que con estudios más grandes del cielo que ocurren todo el tiempo, los astrónomos están recolectando demasiadas galaxias para observarlas y clasificarlas por sí mismas.
"Estamos hablando de varios millones de galaxias en los próximos años. A veces, se reclutan científicos ciudadanos para ayudar a clasificar las formas de las galaxias en proyectos como Galaxy Zoo, pero esto todavía lleva tiempo ".
Aquí es donde las redes neuronales convolucionales, o CNN, entrar. En el mundo de la alta tecnología actual, este tipo de programas de computadora están en todas partes, utilizado en todo, desde imágenes médicas, mercados de valores y análisis de datos, sobre cómo Netflix genera recomendaciones basadas en su historial de visualizaciones.
El poder de las CNN radica en su capacidad para extraer características en imágenes. Dentro del programa informático, las capas convolucionales son capaces de delinear, rastrear y detectar la presencia de brazos espirales u otras características. Crédito:Mitchell Cavanagh / ICRAR
En años recientes, Las CNN han comenzado a ver una adopción más amplia en astronomía. La mayoría de las CNN existentes que utilizan los astrónomos son binarias:¿es una galaxia espiral o no? Pero esta nueva CNN utiliza una clasificación multiclase:¿es una elíptica, lenticular espiral, ¿O galaxia irregular? - con más precisión que las redes binarias existentes.
Cavanagh dijo que el aprendizaje automático se está generalizando en astronomía.
"La gran ventaja de las redes neuronales es la velocidad. Las imágenes de encuestas que, de otro modo, habrían tardado meses en ser clasificadas por humanos, pueden clasificarse en cuestión de minutos".
"Con una tarjeta gráfica estándar, podemos clasificar 14, 000 galaxias en menos de tres segundos ".
"Estas redes neuronales no necesariamente van a ser mejores que las personas porque están capacitadas por personas, pero se acercan con más del 80% de precisión, y hasta un 97% al clasificar entre elípticas y espirales ".
Ser capaz de distinguir una galaxia lenticular de los otros tipos puede ser difícil para los ojos humanos, pero las capas convolucionales buscan características que no podemos ver. También, una CNN nunca se cansa, y si la imagen se voltea o gira, eso no hará que la CNN cometa un error. Crédito:Mitchell Cavanagh / ICRAR
"Si colocas a un grupo de astrónomos en una habitación y les pides que clasifiquen un montón de imágenes, Es casi seguro que habrá desacuerdos. Esta incertidumbre inherente es el factor limitante en cualquier modelo de IA entrenado en datos etiquetados ".
Una gran ventaja de esta nueva IA es que los investigadores podrán clasificar más de 100, 000, 000 galaxias a diferentes distancias (o corrimientos al rojo) de la Tierra y en diferentes entornos (grupos, grupos, etc.). Esto les ayudará a comprender cómo se transforman las galaxias con el tiempo, y por qué podría suceder en entornos particulares.
Las CNN que ha desarrollado Cavanagh no son solo para astronomía. Se pueden reutilizar para su uso en muchos otros campos, siempre que tengan un conjunto de datos lo suficientemente grande para entrenar.
"Las CNN desempeñarán un papel cada vez más importante en el futuro del procesamiento de datos, especialmente cuando campos como la astronomía se enfrentan a los desafíos de los macrodatos, " él dijo
