Als we proberen het universum te begrijpen, raken we geobsedeerd - we worden aangetrokken door de honger naar observatie. Satellieten verzenden elk jaar honderden terabytes aan gegevensinformatie, en slechts één telescoop in Chili zal elke nacht 15 terabytes aan ruimtebeelden produceren. Geen mens kan ze handmatig aan. Zoals astronoom Carlo Enrico Petrillo zegt: “Het kijken naar afbeeldingen van sterrenstelsels is het meest romantische deel van ons werk. Het probleem is hoe je gefocust blijft. Daarom ontwikkelt Petrillo een AI die hem zal helpen.
Petrillo en zijn collega's waren op zoek naar een fenomeen dat in wezen een ruimtetelescoop is. Wanneer een enorm object (een sterrenstelsel of een zwart gat) wordt gevangen tussen een verre lichtbron en een waarnemer op aarde, buigt het ruimte en licht eromheen, waardoor een lens ontstaat waarmee astronomen de ongelooflijk oude en verre delen van het universum die voor ons verborgen zijn, van dichterbij kunnen bekijken. Dit effect wordt gravitatielenzen genoemd en deze lenzen zijn de sleutel om te begrijpen waaruit het universum is gemaakt. Tot nu toe was het traag en vervelend om ze te vinden.
Dit is waar kunstmatige intelligentie nodig is - en de zoektocht naar zwaartekrachtlenzen is het allereerste begin. Zoals Stanford-professor Andrew Ng het uitdrukte, het vermogen van AI om alles te automatiseren wat "een doorsnee persoon kan doen in minder dan een seconde nadenken". Minder dan een seconde klinkt misschien niet veel, maar als het gaat om het doorzoeken van grote hoeveelheden gegevens, is het een uitkomst.
De nieuwe golf astronomen kijkt naar AI voor meer dan alleen een datasorteerder. Ze onderzoeken iets dat een compleet nieuwe manier zou kunnen zijn om naar wetenschappelijke ontdekkingen te zoeken, waarbij kunstmatige intelligentie delen van het universum zal tonen die we nog nooit hebben gezien.
Maar eerst: zwaartekrachtlenzen. Einsteins algemene relativiteitstheorie voorspelde dit fenomeen al in de jaren dertig, maar de eerste voorbeelden verschenen pas in 1979. Waarom? Omdat de ruimte heel, heel groot is en mensen er lang over deden om het te observeren, vooral zonder moderne telescopen. De jacht op zwaartekrachtlenzen was een uitdaging.
"De lenzen die we nu hebben, zijn op verschillende manieren gevonden", zegt Lilia Williams, hoogleraar astrofysica aan de Universiteit van Minnesota. “Sommige zijn per ongeluk ontdekt, mensen waren op zoek naar iets heel anders. Sommige zijn gevonden door mensen die ze zochten, de tweede of derde keer."
Promotie video:
De AI is erg goed in het bekijken van plaatjes. Dus Petrillo en zijn collega's wendden zich tot een geliefde AI-tool in Silicon Valley: een soort computerprogramma dat bestaat uit digitale "neuronen" gemodelleerd naar echte neuronen die vuren als reactie op input. Geef deze programma's (neurale netwerken) veel data en ze zullen patronen en patronen leren herkennen. Ze werken vooral goed met visuele informatie en worden gebruikt in verschillende machine vision-systemen - van camera's in zelfrijdende auto's tot gezichtsherkenning in afbeeldingen op Facebook.
Zoals geschreven in een artikel dat vorige maand werd gepubliceerd, was het verrassend eenvoudig om deze technologie toe te passen op de jacht op zwaartekrachtlenzen. Eerst maakten de wetenschappers een dataset om het neurale netwerk te trainen - ze genereerden 6 miljoen nepbeelden met en zonder zwaartekrachtlenzen. Vervolgens hebben we onze gegevens aan het neurale netwerk doorgegeven en het achtergelaten om de patronen te achterhalen. Een beetje tweaken en het resultaat is een programma dat zwaartekrachtlenzen in een oogwenk herkent.
"Een geweldige classificator in het menselijk gezicht parseert beelden met een snelheid van duizend per uur", zegt Petrillo. Eén lens wordt ongeveer eens per 30.000 sterrenstelsels aangetroffen. Daarom zal de classificator een week zonder slaap en rust moeten werken om slechts vijf tot zes lenzen te vinden. Ter vergelijking: een neuraal netwerk parseert 21.789 afbeeldingen in slechts 20 minuten. En dit is met een oude processor.
Het neurale netwerk was niet zo nauwkeurig als de computer. Om ervoor te zorgen dat ze de lens niet over het hoofd zag, kreeg ze brede parameters. Ze kwam met 761 mogelijke kandidaten, die mensen hebben bestudeerd en teruggebracht tot 56. Bevestigend dat dit echte lenzen zijn, zal moeten worden geverifieerd en bevestigd, maar Petrillo gelooft dat een derde echt zal zijn. Dat is ongeveer één lens per minuut, vergeleken met honderd lenzen die de afgelopen decennia door de hele wetenschappelijke gemeenschap zijn ontdekt. De snelheid is ongelooflijk, de vooruitzichten zijn enorm.
Het vinden van deze lenzen is essentieel om een van de grote mysteries van de astronomie te begrijpen: waar is het universum van gemaakt? De materie die we kennen (planeten, sterren, asteroïden, enz.) Vertegenwoordigt slechts 5% van alle fysieke materie, en nog eens 95% is volledig ontoegankelijk voor ons. Deze 95% wordt vertegenwoordigd door hypothetische materie - donkere materie, die we nooit rechtstreeks hebben waargenomen. We hoeven alleen maar de zwaartekrachtinvloed te bestuderen die het heeft op de rest van het universum, en zwaartekrachtlenzen dienen als een van de belangrijkste indicatoren.
Wat kan AI nog meer doen? Wetenschappers werken aan een aantal nieuwe tools. Sommigen, zoals Petrillo, nemen de taak van identificatie op zich: ze classificeren bijvoorbeeld sterrenstelsels. Anderen doorzoeken datastromen op interessante signalen. Sommige neurale netwerken verwijderen kunstmatige interferentie voor een radiotelescoop door alleen bruikbare signalen te isoleren. Anderen zijn gebruikt om pulsars, ongebruikelijke exoplaneten te identificeren of telescopen met een lage resolutie te verbeteren. Kortom, er zijn veel mogelijke toepassingen.
Deze explosie is deels het gevolg van algemene hardwaretrends die het veld van AI uitbreiden, zoals de beschikbaarheid van goedkope rekenkracht. Astronomen hoeven op wolkenloze nachten niet langer uit hun broek te zitten om de beweging van individuele planeten te observeren; in plaats daarvan gebruiken ze een geavanceerde techniek die de lucht een voor een scant. Dankzij verbeterde telescopen en gegevensopslagtechnologieën is er nog meer ruimte voor analyse, zegt Williams.
Het analyseren van grote datasets is waar kunstmatige intelligentie goed in is. We kunnen hem leren patronen te herkennen en hem onvermoeibaar te laten werken, en hij zal nooit met zijn ogen knipperen of fouten maken.
Zijn astronomen bang dat ze een machine vertrouwen die mogelijk geen menselijk begrip heeft om iets sensationeels te detecteren? Petrillo zegt nee. "Over het algemeen zijn mensen bevooroordeeld, minder efficiënt en gevoeliger voor fouten dan machines." Williams is het daarmee eens. "Computers missen misschien bepaalde dingen, maar ze zullen ze systematisch missen." Maar zolang we weten wat ze niet weten, kunnen we zonder veel risico geautomatiseerde systemen inzetten.
Voor sommige astronomen gaat het potentieel van AI verder dan het simpelweg sorteren van gegevens. Ze geloven dat kunstmatige intelligentie kan worden gebruikt om informatie te creëren die de blinde vlekken in onze waarnemingen van het universum vult.
Astronoom Kevin Schawinski en zijn team in de astrofysica van sterrenstelsels en zwarte gaten gebruiken AI om de resolutie van wazige telescoopbeelden te verbeteren. Daartoe zetten ze een neuraal netwerk in dat ongeëvenaarde variaties genereert in de gegevens die worden bestudeerd, alsof een goede vervalser de stijl van een beroemde kunstenaar imiteert. Deze zelfde netwerken werden gebruikt om nepbeelden van sterrenbeelden te maken; nep-audiodialogen die echte stemmen simuleren; en andere soorten gegevens. Volgens Shavinsky creëren dergelijke neurale netwerken informatie die voorheen niet voor ons toegankelijk was.
In een paper dat eerder dit jaar door Shavinsky en zijn team werd gepubliceerd, toonden ze aan dat deze netwerken de kwaliteit van ruimtebeelden kunnen verbeteren. Ze verlaagden de kwaliteit van afbeeldingen van een aantal sterrenstelsels, voegden ruis en onscherpte toe en stuurden ze vervolgens samen met de originele afbeeldingen door neurale netwerken. Het resultaat was verbluffend. Maar wetenschappers kunnen het nog niet delen.
Shawinski is op zijn hoede voor het project. Het druist immers in tegen de basisprincipes van de wetenschap: je kunt het universum alleen kennen door het rechtstreeks te observeren. "Om deze reden is deze tool gevaarlijk", zegt hij. En het kan alleen worden gebruikt als we nauwkeurige gegevens hebben en als we het resultaat kunnen verifiëren. Je kunt een neuraal netwerk trainen om gegevens over zwarte gaten te genereren en deze naar het werk te sturen in een bepaald gebied van de lucht dat tot nu toe slecht is onderzocht. En als ze een zwart gat vindt, zullen astronomen de vondst met hun eigen handen moeten bevestigen - zoals het geval is met zwaartekrachtlenzen.
Als deze methoden vruchtbaar blijken te zijn, kunnen ze geheel nieuwe onderzoeksmethoden worden, als aanvulling op klassieke computersimulaties en goede oude observaties. Tot nu toe is alles nog maar net begonnen, maar de vooruitzichten zijn veelbelovend. "Als je deze tool had, zou je alle gegevens uit de archieven kunnen halen, een deel ervan kunnen verbeteren en er meer wetenschappelijke waarde uit kunnen halen." Een waarde die er voorheen niet was. AI wordt een wetenschappelijke alchemist die ons helpt om oude kennis om te zetten in nieuwe kennis. En we zouden de ruimte als nooit tevoren kunnen verkennen zonder zelfs de aarde te verlaten.
Ilya Khel
