เลนส์ความโน้มถ่วงเป็นเครื่องมือสำคัญสำหรับนักดาราศาสตร์ที่ต้องการศึกษาวัตถุที่อยู่ไกลที่สุดในจักรวาล เทคนิคนี้เกี่ยวข้องกับการใช้กลุ่มสสารจำนวนมาก (โดยปกติคือกาแลคซีหรือกระจุกดาว) ระหว่างแหล่งกำเนิดแสงที่ห่างไกลและผู้สังเกตการณ์เพื่อให้เห็นแสงที่มาจากแหล่งนั้นดีขึ้น ในผลที่คาดการณ์ไว้โดยทฤษฎีสัมพัทธภาพทั่วไปของ Einstein สิ่งนี้จะช่วยให้นักดาราศาสตร์มองเห็นวัตถุที่อาจถูกบดบัง
เมื่อเร็ว ๆ นี้กลุ่มนักดาราศาสตร์ชาวยุโรปได้พัฒนาวิธีการหาเลนส์ความโน้มถ่วงในกองข้อมูลจำนวนมหาศาล ด้วยการใช้อัลกอริธึมปัญญาประดิษฐ์แบบเดียวกับที่ Google, Facebook และ Tesla ใช้เพื่อจุดประสงค์ของพวกเขาพวกเขาสามารถค้นหาผู้สมัครเลนส์ 56 คนใหม่จากการสำรวจทางดาราศาสตร์ครั้งใหญ่ วิธีนี้สามารถกำจัดความต้องการของนักดาราศาสตร์ในการตรวจภาพด้วยตาเปล่า
การศึกษาซึ่งอธิบายการวิจัยของพวกเขาในหัวข้อ“ การหาเลนส์ความโน้มถ่วงที่แข็งแกร่งในการสำรวจระดับ Kilo กับเครือข่ายประสาทเทียม” เมื่อเร็ว ๆ นี้ปรากฏตัวใน ประกาศรายเดือนของสมาคมดาราศาสตร์. นำโดย Carlo Enrico Petrillo จากสถาบันดาราศาสตร์ Kapteyn ทีมนี้ยังรวมถึงสมาชิกของสถาบันดาราศาสตร์ฟิสิกส์แห่งชาติ (INAF), สถาบันดาราศาสตร์ดาราศาสตร์ Argelander (AIfA) และมหาวิทยาลัยเนเปิลส์
ในขณะที่มีประโยชน์ต่อนักดาราศาสตร์เลนส์ความโน้มถ่วงเป็นความเจ็บปวดในการค้นหา ตามปกติแล้วสิ่งนี้จะประกอบด้วยนักดาราศาสตร์ที่เรียงลำดับผ่านภาพหลายพันภาพที่ถ่ายโดยกล้องโทรทรรศน์และหอดูดาว ในขณะที่สถาบันการศึกษาสามารถพึ่งพานักดาราศาสตร์สมัครเล่นและนักดาราศาสตร์พลเมืองได้อย่างที่ไม่เคยมีมาก่อน แต่ก็ไม่มีทางที่จะติดตามภาพนับล้านที่ถูกจับโดยเครื่องมือทั่วโลกเป็นประจำ
เพื่อกล่าวถึงสิ่งนี้ดร. เพทริลโล่และเพื่อนร่วมงานของเขาได้หันไปใช้สิ่งที่รู้จักกันในชื่อ“ Convulutional Neural Networks” (CNN) ซึ่งเป็นอัลกอริธึมการเรียนรู้ด้วยเครื่องชนิดหนึ่งซึ่งทำเหมืองข้อมูลสำหรับรูปแบบเฉพาะ ในขณะที่ Google ใช้เครือข่ายประสาทเดียวกันนี้เพื่อชนะการแข่งขัน Go กับแชมป์โลก Facebook ใช้เพื่อจดจำสิ่งต่าง ๆ ในรูปภาพที่โพสต์บนเว็บไซต์และ Tesla ใช้มันเพื่อพัฒนารถยนต์ที่ขับเคลื่อนด้วยตนเอง
ดังที่ Petrillo ได้อธิบายไว้ในบทความข่าวล่าสุดจากสถาบันวิจัยดาราศาสตร์แห่งเนเธอร์แลนด์:
“ นี่เป็นครั้งแรกที่มีการใช้เครือข่ายประสาทเทียมในการค้นหาวัตถุประหลาดในการสำรวจทางดาราศาสตร์ ฉันคิดว่ามันจะกลายเป็นบรรทัดฐานเนื่องจากการสำรวจทางดาราศาสตร์ในอนาคตจะสร้างข้อมูลจำนวนมหาศาลซึ่งจำเป็นสำหรับการตรวจสอบ เราไม่มีนักดาราศาสตร์มากพอที่จะรับมือกับสิ่งนี้”
จากนั้นทีมได้ประยุกต์ใช้โครงข่ายประสาทเหล่านี้กับข้อมูลที่ได้จากการสำรวจ Kilo-Degree (KiDS) โครงการนี้อาศัยกล้องโทรทรรศน์สำรวจ VLT (VST) ที่หอสังเกตการณ์ Paranal ของ ESO ในชิลีเพื่อทำแผนที่ 1500 ตารางองศาของท้องฟ้ายามค่ำคืน ชุดข้อมูลนี้ประกอบด้วยภาพสี 21,789 ภาพที่รวบรวมโดย OmegaCAM ของ VST ซึ่งเป็นเครื่องมือหลายวงที่พัฒนาโดยกลุ่มนักวิทยาศาสตร์ยุโรปร่วมกับ ESO
ภาพเหล่านี้ทั้งหมดมีตัวอย่างของ Luminous Red Galaxies (LRGs) ซึ่งสามในนั้นเป็นที่รู้จักกันว่าเป็นเลนส์ความโน้มถ่วง เริ่มแรกโครงข่ายประสาทเทียมพบผู้สมัครเลนส์ความโน้มถ่วง 761 คนในตัวอย่างนี้ หลังจากตรวจสอบผู้สมัครเหล่านี้ด้วยสายตาทีมก็สามารถ จำกัด รายชื่อลงเหลือ 56 เลนส์ สิ่งเหล่านี้ยังคงต้องได้รับการยืนยันจากกล้องโทรทรรศน์อวกาศในอนาคต แต่ผลลัพธ์นั้นค่อนข้างเป็นบวก
ตามที่ระบุในการศึกษาของพวกเขาเช่นโครงข่ายประสาทเมื่อนำไปใช้กับชุดข้อมูลขนาดใหญ่สามารถเปิดเผยเลนส์ใหม่หลายร้อยหรือหลายพัน:
“ การประเมินแบบอนุรักษ์นิยมจากผลลัพธ์ของเราแสดงให้เห็นว่าด้วยวิธีการที่เสนอเราควรจะหาเลนส์ LRG-galaxy ขนาดใหญ่ 100 ตัวที่ z ~> 0.4 ในหน่วย KiDS เมื่อสร้างเสร็จ ในสถานการณ์ที่มองโลกในแง่ดีที่สุดจำนวนนี้สามารถเพิ่มขึ้นอย่างมาก (สูงสุด 2400 เลนส์) เมื่อขยายการเลือกขนาดและการฝึกอบรมซีเอ็นเอ็นให้รู้จักระบบแยกเลนส์ภาพขนาดเล็ก”
นอกจากนี้เครือข่ายประสาทเทียมค้นพบเลนส์สองตัวที่รู้จักกันในชุดข้อมูล แต่พลาดไปหนึ่งในสาม อย่างไรก็ตามนี่เป็นเพราะความจริงที่ว่าเลนส์นี้มีขนาดเล็กโดยเฉพาะและเครือข่ายประสาทไม่ได้รับการฝึกฝนให้ตรวจจับเลนส์ในขนาดนี้ ในอนาคตนักวิจัยหวังว่าจะแก้ไขได้โดยการฝึกอบรมโครงข่ายประสาทเทียมเพื่อสังเกตเห็นเลนส์ขนาดเล็กลงและปฏิเสธข้อดีที่ผิดพลาด
แต่แน่นอนเป้าหมายสูงสุดที่นี่คือการขจัดความจำเป็นในการตรวจสอบด้วยภาพทั้งหมด ในการทำเช่นนั้นนักดาราศาสตร์จะได้รับอิสระจากการทำงานที่ต้องทำเสียงฮึดฮัดและสามารถอุทิศเวลามากขึ้นในกระบวนการค้นพบ ในทำนองเดียวกันอัลกอริธึมการเรียนรู้ด้วยเครื่องจักรสามารถใช้เพื่อค้นหาข้อมูลทางดาราศาสตร์สำหรับสัญญาณคลื่นความโน้มถ่วงและดาวเคราะห์นอกระบบ
เช่นเดียวกับที่อุตสาหกรรมอื่นกำลังมองหาข้อมูลจากเทราไบต์ของผู้บริโภคหรือ“ ข้อมูลขนาดใหญ่” ประเภทอื่น ๆ ดาราศาสตร์ฟิสิกส์และจักรวาลวิทยาสามารถพึ่งพาปัญญาประดิษฐ์เพื่อค้นหารูปแบบในข้อมูลดิบของจักรวาล และผลตอบแทนน่าจะเป็นอะไรที่น้อยไปกว่ากระบวนการค้นพบแบบเร่ง
