Las redes neuronales como el cerebro estudian
distorsiones en el espacio-tiempo a velocidad vertiginosa. Los investigadores han utilizado el cerebro como
"redes neuronales" para analizar las distorsiones clave en el
espacio-tiempo 10 millones veces más rápido de lo que los métodos
convencionales pueden hacerlo.
El nuevo estudio entrenó un sistema de inteligencia
artificial para examinar las características llamadas lentes gravitacionales en
imágenes del telescopio espacial Hubble, así como imágenes simuladas. El
proceso podría dar a los investigadores una mejor visión de cómo la masa se
distribuye en la galaxia, y proporcionar primeros planos de los objetos
galácticos lejanos.
"Los análisis que normalmente tardan semanas o meses
en completarse, que requieren la aportación de expertos y que son
computacionalmente exigentes, pueden ser realizados por redes neuronales dentro
de una fracción de segundo, de una manera totalmente automatizada y, en
principio, en el chip del ordenador de un teléfono celular , dijo en un
comunicado Laurence Perreault Levasseur, coautor del nuevo estudio. Perreault
Levasseur es investigadora en el Instituto Kavli para la astrofísica de
partículas y Cosmología (KIPAC), que es un Instituto conjunto del laboratorio
acelerador nacional SLAC del Departamento de energía de los Estados Unidos y la
Universidad de Stanford en California.
Los alineamientos de azar de objetos densos y galaxias de
fondo pueden crear lentes gravitacionales, un aumento natural del fondo a
medida que su luz se dobla alrededor de la masa del primer plano. El anillo
distorsionado de la luz que resulta, a veces llamado un anillo de Einstein,
puede ser analizado para aprender sobre el sistema distante y la masa del
objeto que pasa delante de ella. Esto es particularmente útil para entender la
materia oscura, que, aunque no puede ser observada directamente, puede actuar
como la "lente" para enfocar las galaxias del fondo.
Los científicos están descubriendo más y más de estas
lentes en los datos de las encuestas de telescopio, SLAC investigadores dijeron
en la declaración. Sin embargo, el análisis de los sistemas para aprender sobre
las propiedades de los objetos ha sido un proceso largo y tedioso de comparar
las imágenes de los objetivos con simulaciones y tratar de recrear las
condiciones que las causaron. En lugar de semanas o meses de análisis para un solo
objetivo, las redes neuronales pueden encontrar las propiedades de la lente en
sólo unos segundos, dijeron los investigadores.
Entrenamiento de lentes
Las redes neuronales funcionan exponiendo un sistema de
inteligencia artificial con una arquitectura particular inspirada en el cerebro
a millones o miles de millones de ejemplos de propiedades dadas, ayudando así a
los investigadores a aprender a identificar esas propiedades en otras
situaciones. Por ejemplo, mostrar una red neuronal cada vez más fotos de perros
le permitiría identificar a los perros más y más exactamente, sin requerir a
los investigadores para decirle a la red que los detalles para prestar
atención.
Este proceso también se puede utilizar para tareas más
complejas. Por ejemplo, el programa AlphaGo de Google fue mostrado un gran
número de juegos de Go para analizar y procesar, y finalmente derrotó a un
campeón mundial del juego complejo. Los programas informáticos tradicionales
han vacilado en dominar ir debido a la cantidad extrema de movimientos
posibles. En este estudio, los investigadores mostraron sistemas de
redes neuronales alrededor de medio millón de imágenes de lentes
gravitacionales simuladas en el transcurso de un día. Entonces, probaron las
redes en nuevas lentes, y encontraron análisis extremadamente rápidos y
exactos.
"Las redes neuronales que probamos tres redes
neuronales disponibles públicamente y una que desarrollamos nosotros mismos fueron capaces de determinar las propiedades de cada lente, incluyendo cómo se
distribuyó su masa y cuánto aumentó la imagen de la galaxia de fondo", la
el autor principal del estudio, Yashar Hezaveh, también investigador en KIPAC,
dijo en la declaración.
Mientras que las redes neuronales se han aplicado a la
astrofísica antes, raramente se han utilizado en este nivel de complejidad,
dijeron los investigadores. Por ejemplo, se han utilizado para identificar si
una imagen contiene una lente gravitacional, pero no para analizarla.
"Es como si las redes neuronales del estudio no
sólo escogieran fotos de perros de una pila de fotos, sino que también
devolvieran información sobre el peso de los perros, la estatura y la
edad", dijo Hezaveh. Aunque el análisis se realizó con un clúster de cómputo
de alto rendimiento, los investigadores dijeron que podría hacerse con mucho
menos poder de procesamiento, en un portátil o incluso en un teléfono móvil,
por ejemplo. Y a medida que los datos más y más astronómicos exigen un examen,
tal proceso podría convertirse en una herramienta crucial para el aprendizaje
tanto como sea posible del diluvio.
"Las redes neuronales se han aplicado a problemas
astrofísicos en el pasado, con resultados mixtos", dijo en la declaración
el investigador de KIPAC, Roger Blandford, que no era autor del documento.
"pero los nuevos algoritmos combinados con unidades de procesamiento de
gráficos modernos, o GPU, pueden producir resultados extremadamente rápidos y
confiables, a medida que el problema de la lente gravitacional abordado en este
trabajo demuestra dramáticamente." "hay un optimismo considerable de
que esto se convertirá en el enfoque de elección para muchos más problemas de
procesamiento y análisis de datos en Astrofísica y otros campos".
No hay comentarios:
Publicar un comentario