Künstliche Intelligenz analysiert Gravitationslinsen 10 Millionen mal schneller

Anonim

Forscher des SLAC National Accelerator Laboratory des Department of Energy und der Stanford University haben erstmals gezeigt, dass neuronale Netze - eine Form künstlicher Intelligenz - die komplexen Verzerrungen in der Raumzeit, die als Gravitationslinsen 10 Millionen mal schneller als herkömmliche Methoden bekannt sind, genau analysieren können.

"Analysen, die typischerweise Wochen bis Monate in Anspruch nehmen, die die Eingabe von Experten erfordern und rechnerisch anspruchsvoll sind, können durch neuronale Netze in einem Bruchteil einer Sekunde vollautomatisch und im Prinzip auf einem Mobiltelefon durchgeführt werden Computer-Chip ", sagte Postdoc-Stipendiat Laurence Perreault Levasseur, Co-Autor einer heute in Nature veröffentlichten Studie.

Blitzschnelle komplexe Analyse

Das Team am Kavli-Institut für Teilchenastrophysik und Kosmologie (KIPAC), einem gemeinsamen Institut von SLAC und Stanford, nutzte neuronale Netze, um Bilder starker Gravitationslinsen zu analysieren, wobei das Bild einer fernen Galaxie multipliziert und zu Ringen und Bögen verzerrt wird die Schwerkraft eines massiven Objekts wie eines Galaxienhaufens, das uns näher ist. Die Verzerrungen liefern wichtige Hinweise darauf, wie sich die Masse im Raum verteilt und wie sich diese Verteilung im Laufe der Zeit verändert - Eigenschaften, die mit unsichtbarer Dunkler Materie zusammenhängen, die 85 Prozent der Materie im Universum ausmachen, und Dunkle Energie, die die Expansion des Universums beschleunigt.

Bis jetzt war diese Art von Analyse ein langwieriger Prozess, bei dem die tatsächlichen Bilder von Linsen mit einer großen Anzahl von Computersimulationen mathematischer Linsenmodelle verglichen wurden. Dies kann Wochen bis Monate für ein einzelnes Objektiv dauern.

Aber mit den neuronalen Netzen konnten die Forscher in ein paar Sekunden die gleiche Analyse durchführen, die sie mit echten Bildern des Hubble-Weltraumteleskops der NASA und simulierten Satelliten demonstrierten.

Um die neuronalen Netze darin zu schulen, wonach sie suchen sollten, zeigten die Forscher ihnen ungefähr eine halbe Million simulierte Bilder von Gravitationslinsen für ungefähr einen Tag. Nach der Schulung waren die Netzwerke in der Lage, neue Linsen fast augenblicklich mit einer Genauigkeit zu analysieren, die mit herkömmlichen Analysemethoden vergleichbar war. In einer separaten Arbeit, die The Astrophysical Journal Letters vorgelegt wurde, berichtet das Team, wie diese Netzwerke auch die Unsicherheiten ihrer Analysen bestimmen können.

Vorbereitet für Datenfluten der Zukunft

"Die von uns getesteten neuronalen Netze - drei öffentlich verfügbare neuronale Netze und eines, das wir selbst entwickelten - waren in der Lage, die Eigenschaften jeder Linse zu bestimmen, einschließlich der Verteilung ihrer Masse und der Vergrößerung des Bildes der Hintergrundgalaxie", sagte der Hauptautor der Studie, Yashar Hezaveh, Hubble-Postdoktorat der NASA am KIPAC.

Dies geht weit über die jüngsten Anwendungen von neuronalen Netzen in der Astrophysik hinaus, die sich auf das Lösen von Klassifizierungsproblemen beschränkten, wie zum Beispiel das Bestimmen, ob ein Bild eine Gravitationslinse zeigt oder nicht.

Die Fähigkeit, große Datenmengen zu durchsuchen und komplexe Analysen sehr schnell und vollautomatisch durchzuführen, könnte die Astrophysik auf eine Art und Weise transformieren, die für zukünftige Himmelsdurchmusterungen, die tiefer ins Universum schauen und mehr Daten produzieren als jemals zuvor, benötigt wird Vor.

Das Large Synoptic Survey Telescope (LSST) zum Beispiel, dessen 3, 2-Gigapixel-Kamera derzeit bei SLAC gebaut wird, wird beispiellose Ausblicke auf das Universum liefern und die Anzahl bekannter starker Gravitationslinsen von heute einigen hundert auf zehn erhöhen von Tausenden.

"Wir werden nicht genug Leute haben, um all diese Daten zeitnah mit den traditionellen Methoden zu analysieren", sagte Perreault Levasseur. "Neuronale Netze werden uns helfen, interessante Objekte zu identifizieren und schnell zu analysieren. Dies wird uns mehr Zeit geben, die richtigen Fragen über das Universum zu stellen."

Ein revolutionärer Ansatz

Neuronale Netzwerke sind von der Architektur des menschlichen Gehirns inspiriert, in der ein dichtes Netzwerk von Neuronen Informationen schnell verarbeitet und analysiert.

In der künstlichen Version sind die "Neuronen" einzelne Recheneinheiten, die den Pixeln des zu analysierenden Bildes zugeordnet sind. Die Neuronen sind in Schichten organisiert, bis zu Hunderten von Schichten tief. Jede Ebene sucht nach Features im Bild. Sobald die erste Ebene ein bestimmtes Feature gefunden hat, überträgt sie die Informationen an die nächste Ebene, die dann nach einem anderen Feature in diesem Feature sucht, und so weiter.

"Das Erstaunliche daran ist, dass neuronale Netzwerke selbst lernen, nach welchen Funktionen sie suchen", sagte KIPAC-Mitarbeiter Phil Marshall, ein Co-Autor des Artikels. "Das ist vergleichbar mit der Art, wie kleine Kinder Objekte erkennen lernen. Sie sagen ihnen nicht genau, was ein Hund ist; Sie zeigen ihnen nur Bilder von Hunden."

Aber in diesem Fall sagte Hezaveh: "Es ist, als würden sie nicht nur Fotos von Hunden aus einem Stapel Fotos auswählen, sondern auch Informationen über das Gewicht, die Größe und das Alter der Hunde zurückgeben."

Obwohl die KIPAC-Wissenschaftler ihre Tests auf dem Sherlock High-Performance-Computing-Cluster im Stanford Research Computing Center durchgeführt hätten, hätten sie ihre Berechnungen auf einem Laptop oder sogar auf einem Mobiltelefon durchführen können, sagten sie. Tatsächlich wurde eines der neuronalen Netzwerke, die sie getestet haben, für iPhones entwickelt.

"Neuronale Netze wurden in der Vergangenheit auf astrophysikalische Probleme mit gemischten Ergebnissen angewendet", sagte KIPAC-Dozent Roger Blandford, der kein Co-Autor des Artikels war. "Aber neue Algorithmen in Kombination mit modernen Grafikprozessoren oder GPUs können extrem schnelle und zuverlässige Ergebnisse liefern, da das Problem mit der Gravitationslinse, das in diesem Dokument behandelt wird, dramatisch ist. Es besteht großer Optimismus, dass dies der Ansatz der Wahl für viele weitere Daten werden wird Verarbeitung und Analyse Probleme in der Astrophysik und anderen Bereichen. "

menu
menu