Teleskop, astronomins arbetshästinstrument, begränsas av spegelns eller objektivets storlek. Använda 'neurala nät', en form av artificiell intelligens, en grupp schweiziska forskare har nu ett sätt att skjuta över den gränsen, erbjuder forskare utsikterna till de skarpaste bilderna någonsin inom optisk astronomi. Det nya verket visas i ett papper i Månatliga meddelanden från Royal Astronomical Society .

Diametern på dess lins eller spegel, den så kallade bländaren, begränsar i princip alla teleskop. I enkla termer, ju större spegel eller lins, ju mer ljus det samlar, tillåter astronomer att upptäcka svagare föremål, och att observera dem tydligare. Ett statistiskt koncept som kallas 'Nyquist sampling theorem' beskriver upplösningsgränsen, och därmed hur mycket detaljer som kan ses.

Den schweiziska studien, ledd av prof Kevin Schawinski från ETH Zürich, använder det senaste inom maskininlärningsteknik för att utmana denna gräns. De lär ut ett neuralt nätverk, ett beräkningssätt som simulerar neuronerna i en hjärna, hur ser galaxer ut, och be den sedan att automatiskt återställa en suddig bild och göra den till en skarp. Precis som en människa, neuralnätet behöver exempel - i detta fall en suddig och skarp bild av samma galax - för att lära sig tekniken.

Deras system använder två neurala nät som tävlar med varandra, ett framväxande tillvägagångssätt som är populärt bland forskargemenskapen för maskininlärning som kallas ett "generativt kontradiktoriskt nätverk", eller GAN. Hela undervisningsprogrammet tog bara några timmar på en högpresterande dator.

De utbildade neurala näten kunde känna igen och rekonstruera funktioner som teleskopet inte kunde lösa - till exempel stjärnbildande regioner, staplar och dammbanor i galaxer. Forskarna kontrollerade den mot den ursprungliga högupplösta bilden för att testa dess prestanda, att hitta det bättre att återställa funktioner än någonting som använts hittills, inklusive ”dekonvolution” -metoden som används för att förbättra bilderna som gjordes under de första åren av rymdteleskopet Hubble.

Schawinski ser detta som ett stort steg framåt:"Vi kan börja med att gå tillbaka till himmelundersökningar gjorda med teleskop under många år, se mer detaljer än någonsin tidigare, och till exempel lära dig mer om galaxernas struktur. Det finns ingen anledning till att vi då inte kan tillämpa denna teknik på de djupaste bilderna från Hubble, och det kommande James Webb rymdteleskopet, för att lära sig mer om de tidigaste strukturerna i universum. "

Professor Ce Zhang, medarbetaren från datavetenskap, ser också stor potential:"Den enorma mängden astronomiska data är alltid fascinerande för datavetenskapare. Men, när tekniker som maskininlärning dyker upp, astrofysik ger också en bra testbädd för att ta itu med en grundläggande beräkningsfråga - hur integrerar vi och drar nytta av den kunskap som människor har samlat på sig under tusentals år, använder du ett maskininlärningssystem? Vi hoppas att vårt samarbete med Kevin också kan belysa denna fråga. "

Projektets framgång pekar på en mer "datadriven" framtid för astrofysik där information lärs in automatiskt från data, istället för manuellt utformade fysikmodeller. ETH Zürich är värd för detta arbete på space.ml-tvärvetenskapligt astrofysik/datavetenskapligt initiativ, där koden är tillgänglig för allmänheten.