Gravitationslinsen sind ein wichtiges Werkzeug für Astronomen, die die entferntesten Objekte im Universum untersuchen möchten. Bei dieser Technik wird ein massiver Materiecluster (normalerweise eine Galaxie oder ein Cluster) zwischen einer entfernten Lichtquelle und einem Beobachter verwendet, um das von dieser Quelle kommende Licht besser sehen zu können. In einem Effekt, der von Einsteins Theorie der Allgemeinen Relativitätstheorie vorhergesagt wurde, können Astronomen damit Objekte sehen, die sonst möglicherweise verdeckt wären.
Kürzlich hat eine Gruppe europäischer Astronomen eine Methode entwickelt, um Gravitationslinsen in riesigen Datenstapeln zu finden. Mit denselben Algorithmen für künstliche Intelligenz, die Google, Facebook und Tesla für ihre Zwecke verwendet haben, konnten sie 56 neue Kandidaten für Gravitationslinsen aus einer massiven astronomischen Untersuchung finden. Diese Methode könnte die Notwendigkeit für Astronomen beseitigen, visuelle Inspektionen von astronomischen Bildern durchzuführen.
Die Studie, die ihre Forschung mit dem Titel „Finden starker Gravitationslinsen in der Kilo-Grad-Untersuchung mit Faltungs-Neuronalen Netzen“ beschreibt, erschien kürzlich in der Monatliche Mitteilungen der Royal Astronomical Society. Unter der Leitung von Carlo Enrico Petrillo vom Kapteyn Astronomical Institute gehörten auch Mitglieder des Nationalen Instituts für Astrophysik (INAF), des Argelander-Instituts für Astronomie (AIfA) und der Universität von Neapel zum Team.
Gravitationslinsen sind zwar für Astronomen nützlich, aber schwer zu finden. Normalerweise besteht dies aus Astronomen, die Tausende von Bildern sortieren, die von Teleskopen und Observatorien aufgenommen wurden. Während sich akademische Institutionen wie nie zuvor auf Amateurastronomen und Bürgerastronomen verlassen können, gibt es keine Möglichkeit, mit Millionen von Bildern Schritt zu halten, die regelmäßig von Instrumenten auf der ganzen Welt aufgenommen werden.
Um dies zu beheben, wandten sich Dr. Petrillo und seine Kollegen den sogenannten „Convulutional Neural Networks“ (CNN) zu, einer Art maschinellem Lernalgorithmus, der Daten für bestimmte Muster abbaut. Während Google dieselben neuronalen Netze verwendete, um ein Match von Go gegen den Weltmeister zu gewinnen, verwendet Facebook sie, um Dinge in Bildern zu erkennen, die auf seiner Website veröffentlicht wurden, und Tesla hat sie verwendet, um selbstfahrende Autos zu entwickeln.
Wie Petrillo kürzlich in einem Presseartikel der niederländischen Forschungsschule für Astronomie erklärte:
„Dies ist das erste Mal, dass ein Faltungsnetzwerk verwendet wird, um in einer astronomischen Untersuchung besondere Objekte zu finden. Ich denke, es wird zur Norm werden, da zukünftige astronomische Untersuchungen eine enorme Menge an Daten liefern werden, die zur Inspektion notwendig sein werden. Wir haben nicht genug Astronomen, um damit fertig zu werden. "
Das Team wandte diese neuronalen Netze dann auf Daten an, die aus dem Kilo-Degree Survey (KiDS) abgeleitet wurden. Dieses Projekt stützt sich auf das VLT-Vermessungsteleskop (VST) am Paranal-Observatorium der ESO in Chile, um 1500 Quadratgrad des südlichen Nachthimmels abzubilden. Dieser Datensatz bestand aus 21.789 Farbbildern, die vom OmegaCAM des VST, einem Multiband-Instrument, das von einem Konsortium europäischer Wissenschaftler in Zusammenarbeit mit der ESO entwickelt wurde, gesammelt wurden.
Diese Bilder enthielten alle Beispiele für leuchtend rote Galaxien (LRGs), von denen drei als Gravitationslinsen bekannt sind. Anfänglich fand das neuronale Netzwerk 761 Gravitationslinsenkandidaten in dieser Probe. Nach einer visuellen Prüfung dieser Kandidaten konnte das Team die Liste auf 56 Objektive eingrenzen. Diese müssen in Zukunft noch von Weltraumteleskopen bestätigt werden, aber die Ergebnisse waren recht positiv.
Wie sie in ihrer Studie angedeutet haben, könnte ein solches neuronales Netzwerk bei Anwendung auf größere Datensätze Hunderte oder sogar Tausende neuer Objektive enthüllen:
„Eine konservative Schätzung basierend auf unseren Ergebnissen zeigt, dass es mit unserer vorgeschlagenen Methode möglich sein sollte, 100 massive LRG-Galaxienlinsen bei z ~> 0,4 in KiDS zu finden, wenn sie abgeschlossen sind. Im optimistischsten Szenario kann diese Zahl erheblich zunehmen (auf maximal 2400 Objektive), wenn die Auswahl der Farbgröße erweitert und das CNN darauf trainiert wird, kleinere Bildtrennlinsensysteme zu erkennen. “
Darüber hinaus entdeckte das neuronale Netzwerk zwei der bekannten Linsen im Datensatz wieder, verfehlte jedoch die dritte. Dies lag jedoch an der Tatsache, dass diese Linse besonders klein war und das neuronale Netzwerk nicht darauf trainiert war, Linsen dieser Größe zu erkennen. In Zukunft hoffen die Forscher, dies zu korrigieren, indem sie ihr neuronales Netzwerk so trainieren, dass es kleinere Linsen bemerkt und falsch positive Ergebnisse zurückweist.
Aber das ultimative Ziel hier ist natürlich, die Notwendigkeit einer Sichtprüfung vollständig zu beseitigen. Auf diese Weise würden Astronomen von Grunzarbeiten befreit und könnten mehr Zeit für den Entdeckungsprozess aufwenden. In ähnlicher Weise könnten Algorithmen für maschinelles Lernen verwendet werden, um astronomische Daten nach Signalen von Gravitationswellen und Exoplaneten zu durchsuchen.
Ähnlich wie andere Branchen versuchen, aus Terabyte von Verbrauchern oder anderen Arten von „Big Data“ einen Sinn zu machen, könnte sich die Astrophysik und Kosmologie auf künstliche Intelligenz stützen, um die Muster in einem Universum von Rohdaten zu finden. Und die Auszahlung ist wahrscheinlich nichts weniger als ein beschleunigter Entdeckungsprozess.
