Штучний інтелект допомагає вченим знаходити кандидатів у квазари у ранньому Всесвіті. Для цього спеціально навчений алгоритм машинного навчання оброблятиме знімки телескопів у пошуках зображень, спотворених гравітаційним лінзуванням.
![Алгоритм машинного навчання допоміг вченим шукати квазари Алгоритм машинного навчання допоміг вченим шукати квазари](https://universemagazine.com/wp-content/uploads/2024/07/ai-aids-in-search-for-1024x502.jpg)
Квазари та гравітаційне лінзування
Першою ознакою того, що якийсь об’єкт є квазаром, є його червоний колір. Це вже потім має бути підтверджене окремими спостереженнями їхніх спектрів. Однак деякі кандидати з високим червоним зміщенням можуть бути помилково виключені з наступних досліджень через спотворення їхнього вигляду, спричинені гравітаційним лінзуванням.
Це явище відбувається, коли між нами й віддаленим небесним тілом перебуває масивний об’єкт, наприклад, галактика. Маса галактики викривляє простір, діючи подібно до збільшувального скла, внаслідок чого шлях, який проходить світло від віддаленого об’єкта, викривляється, і ми отримуємо спотворене його зображення.
Хоча таке вирівнювання може бути корисним — гравітаційна лінза збільшує зображення квазара, роблячи його яскравішим і легшим для виявлення, воно також може оманливо змінити вигляд квазара. Інтерференція світла від зір у проміжній лінзуючій галактиці може зробити квазар більш синім, а викривлення простору-часу може зробити його розмитим або розмноженим. Обидва ці ефекти дають підстави вважати його ймовірним кандидатом у квазари.
Тому команда астрономів на чолі з Ксандером Бірном, астрономом із Кембриджського університету і провідним автором статті, що представляє ці результати в журналі Monthly Notices of the Royal Astronomical Society, вирішила відновити лінзові квазари, які були пропущені у попередніх дослідженнях.
Пошук квазарів, викривлених гравітаційними лінзами
Бірн відправився на пошуки цих зниклих скарбів у великому архіві даних Огляду темної енергії (DES). DES провели за допомогою виготовленої Міністерством енергетики камери темної енергії, встановленої на 4-метровому телескопі Віктора М. Бланко у Міжамериканській обсерваторії Серро Тололо Національного наукового фонду США, яка є частиною програми NSF NOIRLab.
Завдання полягало в тому, щоб знайти ці космічні перлини у величезному океані даних.
Повний набір даних DES містить понад 700 млн об’єктів. Бірн скоротив цей архів, порівнюючи дані зі знімками з інших досліджень, щоб відфільтрувати малоймовірних кандидатів, зокрема об’єкти, котрі, можливо, були коричневими карликами, які, попри те, що вони абсолютно відрізняються від квазарів майже в усьому, можуть бути напрочуд схожими на квазари на зображеннях. Цей процес дав набагато більш керований набір даних, що містив 7438 об’єктів.
Під час пошуку цих 7438 об’єктів Бірну потрібно було досягти максимальної ефективності, але він знав, що традиційні методи, швидше за все, пропустять лінзові квазари з високим червоним зміщенням, які він шукав. Аби уникнути передчасного відсіювання лінзових квазарів, вчені застосували алгоритм контрастного навчання.
Алгоритм машинного навчання шукатиме квазари
Контрастне навчання — це тип алгоритму штучного інтелекту (ШІ), в якому послідовні рішення відносять кожну точку даних до групи відповідно до того, чим вона є або чим не є. Рішення Бірна не покладатися на людську візуальну інтерпретацію привело його до думки про некерований процес ШІ, тобто алгоритм сам керує процесом навчання, а не людина.
Алгоритми керованого машинного навчання базуються на так званій базовій істині, визначеній людиною-програмістом. Наприклад, процес може початися з опису кота і рухатися через такі рішення, як «Це є / не є зображення кота. Це є / не є зображення чорного кота».
На противагу цьому, некеровані алгоритми не покладаються на початкове, задане людиною визначення як основу для своїх рішень. Натомість алгоритм сортує кожну точку даних за схожістю з іншими точками даних у наборі. У цьому випадку машина знайде схожість між зображеннями кількох тварин і згрупує їх як котів, собак, жирафів, пінгвінів тощо.
Починаючи з 7438 об’єктів Бірна, алгоритм без нагляду сортував об’єкти за групами. Використовуючи географічну аналогію, команда назвала групи даних архіпелагом. У його межах невелика «острівна» підмножина об’єктів була згрупована разом як можливі кандидати у квазари. Серед цих кандидатів чотири виділялися, як перлини в купі каміння.
Використовуючи архівні дані телескопа Gemini South у Міжнародній обсерваторії Джеміні, якою керує NSF NOIRLab, Бірн підтвердив, що 3 з 4 кандидатів на «квазарному острові» справді є квазарами з високим червоним зміщенням. І один із них, дуже ймовірно, може виявитися космічною знахідкою, яку сподівався знайти Бірн — гравітаційно лінзованим квазаром із високим червоним зміщенням. Зараз команда планує подальші знімки, щоб підтвердити лінзовану природу квазара.
За матеріалами phys.org