• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Astronomía
    Las redes neuronales prometen imágenes más nítidas

    Los cuadros aquí muestran un ejemplo de una imagen de galaxia original (izquierda), la misma imagen deliberadamente degradada (segunda desde la izquierda), la imagen después de la recuperación con la red neuronal (segunda desde la derecha), y la imagen procesada con deconvolución, la mejor técnica existente (derecha). Crédito:K. Schawinski / C. Zhang / ETH Zurich.

    Telescopios los caballos de batalla de la astronomía, están limitados por el tamaño del espejo o la lente que utilizan. Usando 'redes neuronales', una forma de inteligencia artificial, un grupo de investigadores suizos ahora tiene una manera de superar ese límite, ofreciendo a los científicos la perspectiva de las imágenes más nítidas jamás vistas en astronomía óptica. El nuevo trabajo aparece en un artículo en Avisos mensuales de la Royal Astronomical Society .

    El diámetro de su lente o espejo, la llamada apertura, limita fundamentalmente cualquier telescopio. En lenguaje sencillo, cuanto más grande sea el espejo o la lente, cuanta más luz recoge, permitiendo a los astrónomos detectar objetos más débiles, y observarlos con mayor claridad. Un concepto estadístico conocido como 'teorema de muestreo de Nyquist' describe el límite de resolución, y por lo tanto, cuántos detalles se pueden ver.

    El estudio suizo, dirigido por el profesor Kevin Schawinski de ETH Zurich, utiliza lo último en tecnología de aprendizaje automático para desafiar este límite. Enseñan una red neuronal un enfoque computacional que simula las neuronas en un cerebro, cómo se ven las galaxias, y luego pídale que recupere automáticamente una imagen borrosa y la convierta en una nítida. Como un humano la red neuronal necesita ejemplos, en este caso una imagen borrosa y nítida de la misma galaxia, para aprender la técnica.

    Su sistema utiliza dos redes neuronales que compiten entre sí, un enfoque emergente popular entre la comunidad de investigación de aprendizaje automático llamado "red generativa de confrontación", Organo. Todo el programa de enseñanza tomó solo unas pocas horas en una computadora de alto rendimiento.

    Las redes neuronales entrenadas pudieron reconocer y reconstruir características que el telescopio no pudo resolver, como regiones de formación de estrellas, barras y líneas de polvo en las galaxias. Los científicos lo compararon con la imagen original de alta resolución para probar su rendimiento. encontrarlo mejor capaz de recuperar características que cualquier cosa usada hasta la fecha, incluido el enfoque de 'deconvolución' utilizado para mejorar las imágenes tomadas en los primeros años del Telescopio Espacial Hubble.

    Schawinski ve esto como un gran paso adelante:"Podemos comenzar volviendo a los estudios del cielo realizados con telescopios durante muchos años, ver más detalles que nunca, y, por ejemplo, aprender más sobre la estructura de las galaxias. No hay ninguna razón por la que no podamos aplicar esta técnica a las imágenes más profundas del Hubble, y el próximo telescopio espacial James Webb, para aprender más sobre las primeras estructuras del Universo ".

    Profesor Ce Zhang, el colaborador de informática, también ve un gran potencial:"La enorme cantidad de datos astronómicos es siempre fascinante para los científicos informáticos. Pero, cuando surgen técnicas como el aprendizaje automático, La astrofísica también proporciona un gran banco de pruebas para abordar una cuestión computacional fundamental:cómo integramos y aprovechamos el conocimiento que los humanos han acumulado durante miles de años. utilizando un sistema de aprendizaje automático? Esperamos que nuestra colaboración con Kevin también pueda arrojar luz sobre esta cuestión ".

    El éxito del proyecto apunta a un futuro más "impulsado por los datos" para la astrofísica en el que la información se aprende automáticamente de los datos, en lugar de modelos físicos creados manualmente. ETH Zurich acoge este trabajo sobre la iniciativa interdisciplinaria de astrofísica / ciencias de la computación space.ml, donde el código está disponible para el público en general.


    © Ciencia https://es.scienceaq.com