Konstnärens visualisering av denna forskning. Använda AI-driven dataanalys för att dra tillbaka bruset och hitta universums faktiska form. Kredit:Institutet för statistisk matematik
Japanska astronomer har utvecklat en ny teknik för artificiell intelligens (AI) för att ta bort brus i astronomiska data på grund av slumpmässiga variationer i galaxens former. Efter omfattande träning och testning av stora skendata skapade av superdatorsimuleringar, de tillämpade sedan detta nya verktyg på faktiska data från Japans Subaru-teleskop och fann att massfördelningen som härrör från att använda denna metod överensstämmer med de för närvarande accepterade modellerna av universum. Detta är ett kraftfullt nytt verktyg för att analysera stordata från aktuella och planerade astronomiundersökningar.
Undersökningsdata för stora områden kan användas för att studera universums storskaliga struktur genom mätningar av gravitationslinsmönster. Vid gravitationslinser, gravitationen hos ett förgrundsobjekt, som en galaxhop, kan förvränga bilden av ett bakgrundsobjekt, som en mer avlägsen galax. Några exempel på gravitationslinser är uppenbara, som "Horus öga". Den storskaliga strukturen, består mestadels av mystisk "mörk" materia, kan också förvränga formerna på avlägsna galaxer, men den förväntade linseffekten är subtil. Genomsnittet över många galaxer i ett område krävs för att skapa en karta över förgrundsfördelningen av mörk materia.
Men denna teknik att titta på många galaxbilder stöter på ett problem; vissa galaxer ser bara lite roliga ut. Det är svårt att skilja mellan en galaxbild som är förvrängd av gravitationslinser och en galax som faktiskt är förvrängd. Detta kallas formbrus och är en av de begränsande faktorerna i forskning som studerar universums storskaliga struktur.
Schematisk över den artificiella intelligens som används i denna studie, ett kontradiktoriskt generativt nätverk (GAN). Det första nätverket, kallas bildgeneratorn G, uppskattar och matar ut en linskarta med brus från en brusig linskarta. Det andra nätverket, bilddiskriminatorn D, jämför linskartan skapad av G med den äkta brusfria linskartan och identifierar bilden som skapats av G som en falsk. Genom att mata in ett stort antal bullriga/brusfria linskartor i de två nätverken, G är tränad att göra linskartor som är närmare originalen, och D är tränad att mer exakt upptäcka förfalskningarna som G. I denna studie, 25, 000 par bullriga och brusfria linskartor erhållna från numeriska simuleringar med ATERUI II användes för att skapa ett stabilt nätverk. Till sist, en tränad bildgenerator G estimerar en linskarta med försvagad brus baserad på den faktiskt observerade brusiga observationslinskartan. Kredit:NAOJ
För att kompensera för formbrus, ett team av japanska astronomer använde först ATERUI II, världens mest kraftfulla superdator dedikerad till astronomi, att generera 25, 000 skengalaxkataloger baserade på verkliga data från Subaru-teleskopet. De lade sedan till realistiskt brus till dessa perfekt kända artificiella datamängder, och tränade en AI för att statistiskt återställa den mörka materian med linser från skendata.
Efter träning, AI:n kunde återställa tidigare oobserverbara fina detaljer, hjälpa till att förbättra vår förståelse av den kosmiska mörka materien. Använd sedan denna AI på riktiga data som täcker 21 kvadratgrader av himlen, teamet fann en fördelning av förgrundsmassa som överensstämmer med den vanliga kosmologiska modellen.
"Denna forskning visar fördelarna med att kombinera olika typer av forskning:observationer, simuleringar, och AI-dataanalys, " säger Masato Shirasaki, ledaren för laget, "I denna tid av big data, vi måste gå över traditionella gränser mellan specialiteter och använda alla tillgängliga verktyg för att förstå data. Om vi kan göra detta, det kommer att öppna nya fält inom astronomi och andra vetenskaper."
