Energetikos departamento Nacionalinės greitintuvų laboratorijos (Department of Energy’s SLAC National Accelerator Laboratory, JAV) ir Stanfordo universiteto (JAV) mokslininkai pirmą kartą parodė, kad neuroniniai tinklai – dirbtinio intelekto forma – gali tiksliai išnagrinėti sudėtingus erdvėlaikio iškraipymus, vadinamus gravitaciniais lęšiais, net 10 milijonų kartų greičiau nei tradiciniai kompiuteriai.
„Analizes, kurios paprastai trunka nuo savaičių iki mėnesių, reikalauja ekspertų vertinimų ir korekcijų bei didelių skaičiavimo pajėgumų, su neuroniniais tinklais galima atlikti per sekundes, visiškai automatizuotai ir iš esmės tam pakaktų mobiliojo telefono procesoriaus“, – teigia mokslų daktaras Lorencas Levasje (Laurence Perreault Levasseur), žurnale „Nature“ paskelbto tyrimo vienas iš autorių.
Sudėtinga analizė – žaibišku greičiu
Mokslininkai panaudojo neuroninius tinklus, analizuodami stiprios gravitacijos iškreiptus vaizdus, kuomet tolimų galaktikų vaizdai iškraipomi – padidinami, prie jų atsiranda žiedų ir lankų – tai lemia didžiuliai masyvūs objektai, tokie kaip galaktikų klasteriai, esantys tarp tolimos galaktikos ir Žemės.
Šie iškraipymai teikia svarbių įžvalgų apie tai, kaip masė yra pasiskirsčiusi erdvėje, kaip šis pasiskirstymas keičiasi laikui bėgant – tai savybės, susijusios su nematoma tamsiąja materija, kuri, manoma, sudaro apie 85 procentų visos Visatos materijos, ir tamsiąja energija, kuri greitina Visatos plėtimąsi.
Iki šiol tokios analizė buvo pakankamai nuobodus ir ilgas procesas, apimantis realių teleskopais gautų vaizdų palyginimą su daugybe matematiniais modeliavimais sukurtų vaizdų. Vienos nuotraukos analizė užtrunka iki kelių savaičių.
Panaudoję neuroninius tinklus, tyrėjai galėjo tą pačią analizę atlikti vos per kelias sekundes, ką jie ir pademonstravo, naudodami realias NASA Hablo kosminio teleskopo padarytas nuotraukas ir jas lygindami su sukurtomis kompiuteriniu modeliavimu.
Apmokydami neuroninius tinklus, mokslininkai apie vieną dieną parodė jiems apie pusę milijono simuliuotų gravitacinių lęšių vaizdų. Po to tinklai galėjo analizuoti naujas nuotraukas beveik akimirksniu, su tikslumu, panašiu kaip ir tradicinės analizės metodų.
Kitam straipsnyje, publikuotame „Astrophysical Journal Letters“, mokslininkai paskelbė, kad neuroniniai tinklai galėjo net nustatyti savo analizės paklaidas.
Pasirengimas ateities duomenų potvyniams
Buvo išmėginti keturi neuroniniai tinklai – trys vieši, ir vienas sukurtas pačių tyrėjų komandos. Visi sugebėjo nustatyti kiekvieno gravitacinio lęšio savybes, įskaitant jo masės paskirstymą ir tai, kiek jis didino foninės galaktikos vaizdą.
Tai iš esmės atveria naujas galimybes neuroninių tinklų taikymams astrofizikoje, nes iki šiol jie daugiausia apsiribojo klasifikavimo problemų sprendimu, pavyzdžiui, nustatant, ar gautas vaizdas buvo iškreiptas gravitacinio lęšio, ar ne.
Gebėjimas „atsijoti“ didelius duomenų kiekius, juos išskaidyti ir greitai bei visiškai automatizuotai atlikti labai sudėtingą analizę labai padėtų kosmoso tyrimams, ypač žvelgiant vis gilyn į Visatą, tuo pačiu ir eksponentiškai augant gaunamų duomenų srautams.
Pavyzdžiui, šiuo metu statomas Didysis sinoptikos teleskopas (Large Synoptic Survey Telescope (LSST) turės 3,2 gigapikselio kamerą kuria darys įspūdingos raiškos nuotraukas, tikimasi, leis bent šimtą kartų padidinti šiuo metu žinomų stiprių gravitacinių lęšių skaičių – nuo kelių šimtų iki dešimčių tūkstančių.
„Mes tiesiog neturėsime pakankamai žmonių, kad visi šie duomenys būtų pakankamai greitai išnagrinėti tradiciniais metodais“, – sakė Lorencas Levasje. „Neuroniniai tinklai padės mums atrasti įdomius objektus ir greitai juos analizuoti. Tai suteiks mums daugiau laiko kitiems darbams, tokiems, kaip naujų klausimų apie Visatą formulavavimas.“
Revoliucinis požiūris
Neuronų tinklus įkvėpė žmogaus smegenų architektūra, kurioje neuronų tinklai greitai apdoroja ir analizuoja informaciją.
Dirbtiniuose neuronų tinkluose neuronus atstoja pavieniai, bet turintys sąryšius vienas su kitu elementai, kurie yra susiejami su nagrinėjamo vaizdo taškais – pikseliais. Neuronai yra suskirstyti į sluoksnius, iki šimto sluoksnių gylio. Kiekvienas sluoksnis paveikslėlyje ieško tam tikrų savybių. Kai pirmas sluoksnis atranda ją suranda, jis perduoda informaciją kitam sluoksniui, kuris tuomet ieško kitos savybės, esančios jau atrastoje, ir taip toliau.
„Nuostabus dalykas yra tai, kad neuroniniai tinklai patys išmoksta, kokių savybių reikia ieškoti“, – teigė Filas Maršalas (Phil Marshall), vienas iš tyrimo autorių. „Tai galima palyginti su tuo, kaip vaikai mokosi atpažinti daiktus. Mes jiems tiksliai nepasakome, kas tai yra, pavyzdžiui, šuo. Mes jiems šunį ar jo nuotraką parodome.
Tačiau šiuo atveju tinklai padarė dar daugiau – tarsi jie ne tik iš nuotraukų krūvos išrinko tas, kuriuose yra šuo, bet dar ir nustatė jų svorį, dydį ir amžių“.
Nors šiam tyrimui mokslininkai naudojo galingą skaičiavimų centro kompiuterių klasterį, tačiau, jų teigimu, panašius skaičiavimus būtų galima atlikti ir nešiojamuoju kompiuteriu ar net mobiliuoju telefonu.
Pavyzdžiui, vienas iš jų išbandytų neuronų tinklų buvo sukurtas dirbti su išmaniajame „iPhone“ telefone.
Neuroniniai tinklai jau plačiai taikomi, sprendžiant astrofizikos problemas – rezultatų buvo įvairių, nuo puikių iki nuviliančių. Tačiau naujausi algoritmai, naudojami kartu su šiuolaikiniais grafikos procesoriais gali duoti labai patikimus rezultatus, ir juos pateikti labai greitai, ką ir pademonstravo šiame straipsnyje nagrinėjama gravitacinių lęšių problema.
Yra daug optimizmo, kad neuroniniai tinklai taps vienu iš pirmųjų pasirinkimų, apdorojant didelius duomenų masyvus, ir ne tik astronomijoje, bet ir kitos mokslo strityse.
Yashar D. Hezaveh et al. Fast automated analysis of strong gravitational lenses with convolutional neural networks, Nature (2017). DOI: 10.1038/nature23463
Gravitacinio lęšiavimo demonstracija. Juodosios skylės, praskriejančios priešais Andromedos galaktiką, kompiuterinis modelis.
Daugiau:
Naujas teleskopas žada mėgėjiškos astronomijos revoliuciją
Prasidėjo didžiausio pasaulyje teleskopo statyba
Atskleista, kaip tik dviejų sraigių smegenų neuronų grandinė valdo sprendimų priėmimo procesą
Įvardintas pagrindinis skirtumas tarp žmonių ir gyvūnų smegenų
Muzikos kūrėjai gali pamėginti pagroti duetu su dirbtinio intelekto sistema
Kuriama dirbtinio intelekto sistema, kuri pati galėtų programuoti