Искусственный интеллект помогает ученым находить кандидатов в квазары в ранней Вселенной. Для этого специально обученный алгоритм машинного обучения будет обрабатывать снимки телескопов в поисках изображений, искаженных гравитационным линзированием.
Квазары и гравитационное линзирование
Первым признаком того, что какой-то объект является квазаром, есть его красный цвет. Это уже потом должно быть подтверждено отдельными наблюдениями их спектров. Однако некоторые кандидаты с высоким красным смещением могут быть ошибочно исключены из дальнейших исследований из-за искажений их вида, вызванных гравитационным линзированием.
Это явление происходит, когда между нами и удаленным небесным телом находится массивный объект, например, галактика. Масса галактики искривляет пространство, действуя подобно увеличительному стеклу, в результате чего путь, который проходит свет от удаленного объекта, искривляется, и мы получаем искаженное его изображение.
Хотя такое выравнивание может быть полезным — гравитационная линза увеличивает изображение квазара, делая его более ярким и легким для обнаружения, оно также может обманчиво изменить вид квазара. Интерференция света от звезд в промежуточной линзирующей галактике может сделать квазар более синим, а искривление пространства-времени может сделать его размытым или размноженным. Оба эти эффекта дают основания считать его кандидатом в квазары.
Поэтому команда астрономов во главе с Ксандером Бирном, астрономом из Кембриджского университета и ведущим автором статьи, представляющей эти результаты в журнале Monthly Notices of the Royal Astronomical Society, решила восстановить линзовые квазары, которые были пропущены в предыдущих исследованиях.
Поиск квазаров, искривленных гравитационными линзами
Бирн отправился на поиски этих пропавших сокровищ в обширном архиве данных Обзора темной энергии (DES). DES было проведено с помощью изготовленной Министерством энергетики камеры темной энергии, установленной на 4-метровом телескопе Виктора М. Бланко в Межамериканской обсерватории Серро Тололо Национального научного фонда США, которая является частью программы NSF NOIRLab.
Задача заключалась в том, чтобы найти эти космические жемчужины в огромном океане данных.
Полный набор данных DES содержит более 700 миллионов объектов. Бирн сократил этот архив, сравнивая данные со снимками из других исследований, чтобы отфильтровать маловероятных кандидатов, в частности объекты, которые, возможно, были коричневыми карликами, и, несмотря на то, что они отличаются от квазаров почти во всем, они могут выглядеть удивительно похожими на квазары на изображениях. Этот процесс дал гораздо более управляемый набор данных, содержащий 7438 объектов.
Во время поиска этих 7438 объектов Бирну нужно было достичь максимальной эффективности, но он знал, что традиционные методы, скорее всего, пропустят линзовые квазары с высоким красным смещением, которые он искал. Чтобы избежать преждевременного отсеивания линзовых квазаров, ученые применили алгоритм контрастного обучения.
Алгоритм машинного обучения будет искать квазары
Контрастное обучение — это тип алгоритма искусственного интеллекта (ИИ), в котором последовательные решения относят каждую точку данных к группе в соответствии с тем, чем она является или чем не является. Решение Бирна не полагаться на человеческую визуальную интерпретацию привело его к мысли о неуправляемом процессе ИИ, то есть алгоритм сам управляет процессом обучения, а не человек.
Алгоритмы управляемого машинного обучения базируются на так называемой базовой истине, определенной человеком-программистом. Например, процесс может начаться с описания кота и двигаться через такие решения, как «Это есть / не есть изображение кота. Это есть / не есть изображение черного кота».
В отличие от этого, неуправляемые алгоритмы не полагаются на первоначальное, заданное человеком определение в качестве основы для своих решений. Вместо этого алгоритм сортирует каждую точку данных по сходству с другими точками данных в наборе. В этом случае машина найдет сходство между изображениями нескольких животных и сгруппирует их как котов, собак, жирафов, пингвинов и т.д.
Начиная с 7438 объектов Бирна, алгоритм без присмотра сортировал объекты по группам. Используя географическую аналогию, команда назвала группы данных архипелагом. В его пределах небольшое «островное» подмножество объектов было сгруппировано вместе как возможные кандидаты в квазары. Среди этих кандидатов четыре выделялись, как жемчужины в груде камней.
Используя архивные данные телескопа Gemini South в Международной обсерватории Джемини, которой руководит NSF NOIRLab, Бирн подтвердил, что 3 из 4 кандидатов на «квазарном острове» действительно являются квазарами с высоким красным смещением. И один из них, очень вероятно, может оказаться космической находкой, которую надеялся найти Бирн — гравитационно линзованным квазаром с высоким красным смещением. Сейчас команда планирует дальнейшие снимки, чтобы подтвердить линзованную природу квазара.
По материалам phys.org
