Umjetna inteligencija analizira gravitacijske leće 10 milijuna puta brže

3000+ Common Spanish Words with Pronunciation (Lipanj 2019).

Anonim

Istraživači iz Laboratorija Nacionalnog akceleracijskog laboratorija SLAC-a i Sveučilišta Stanford prvi su puta pokazali da neuronske mreže - oblik umjetne inteligencije - mogu točno analizirati složene distorzije u prostoru vremena poznate kao gravitacijske leće 10 milijuna puta brže od tradicionalnih metoda.

"Analize koje obično traju tjednima do mjeseci do završetka, koje zahtijevaju unos stručnjaka i koje su računalno zahtjevne, mogu se obaviti neuronskim mrežama u djeliću sekunde, na potpuno automatiziran način i, u načelu, na mobitelu računalni čip ", rekao je postdoktorski kolega Laurence Perreault Levasseur, koautor studije objavljene danas u prirodi.

Brzo analiza kompleksa munje

Tim Instituta Kavli za astrofiziku i kozmologiju čestica (KIPAC), zajednički institut SLAC i Stanford, koristio je neuronske mreže za analizu slika jakog gravitacijskog leća, gdje se slika daljinske galaksije množi i iskrivljuje u prstenove i lukove težinu masivnog objekta, poput klastera galaksije, koja je bliža nama. Iskrivljenosti daju važne naznake o tome kako se masa distribuira u prostoru i kako se ta distribucija mijenja tijekom vremena - svojstva povezana s nevidljivom tamnom tvari koja čini 85 posto svih materija u svemiru i tamnu energiju koja ubrzava ekspanziju svemira.

Do sada je ova vrsta analize bila dosadan proces koji uključuje usporedbu stvarnih slika leća s velikim brojem računalnih simulacija matematičkih modela objektiva. To može potrajati nekoliko tjedana na jednom objektivu.

Ali s neuronskim mrežama, istraživači su mogli napraviti istu analizu u nekoliko sekundi, što su pokazali pomoću stvarnih slika NASA Hubble svemirskog teleskopa i simuliranih.

Za osposobljavanje neuronskih mreža u ono što treba tražiti, istraživači su pokazali oko pola milijuna simuliranih slika gravitacijskih leća oko jednog dana. Jednom osposobljeni, mreže su uspjele analizirati nove leće gotovo trenutačno s preciznošću koja je bila usporediva s tradicionalnim metodama analize. U posebnom radu, podnesenom u The Astrophysical Journal Letters, tim izvještava kako te mreže također mogu odrediti nesigurnost njihovih analiza.

Pripremljen za podatke o potopima budućnosti

"Neuronske mreže koje smo testirali - tri javno dostupne neuronske mreže i jedna koja smo sami razvili - bile su sposobne odrediti svojstva svakog leća, uključujući i kako je njegova masa raspoređena i koliko je povećala sliku pozadinske galaksije", rekao je glavni autor studije Yashar Hezaveh, NASA Hubbleov postdoktoranac u KIPAC-u.

Ovo ide daleko iznad nedavnih primjena neuronskih mreža u astrofizici, koje su bile ograničene na rješavanje problema klasifikacije, kao što je određivanje da li slika pokazuje gravitacijsku leću ili ne.

Sposobnost prosijavanja velikih količina podataka i provođenje složenih analiza vrlo brzo i na potpuno automatiziran način mogla bi transformirati astrofiziku na način koji je potreban za buduća istraživanja neba koja će izgledati dublje u svemir i proizvesti više podataka nego ikad prije.

Teleskop Large Synoptic Survey Telescope (LSST), na primjer, čija je 3.2-gigapixel kamera trenutno u izgradnji na SLAC-u, pružit će neusporedive poglede na svemir i očekuje se da će povećati broj poznatih jakih gravitacijskih leća od nekoliko stotina danas do desetaka tisuća.

"Nećemo imati dovoljno ljudi za analizu svih tih podataka pravodobno s tradicionalnim metodama", rekao je Perreault Levasseur. "Neuronske mreže će nam pomoći identificirati zanimljive objekte i analizirati ih brzo. To će nam dati više vremena da postavimo prava pitanja o svemiru."

Revolucionarni pristup

Neuronske mreže inspirirane su arhitekturom ljudskog mozga u kojem gusta mreža neurona brzo obrađuje i analizira informacije.

U umjetnoj verziji, "neuroni" su pojedinačne računalne jedinice koje su povezane s pikselima slike koja se analizira. Neuroni su organizirani u slojeve, do dubine do stotina slojeva. Svaki sloj traži značajke na slici. Kada prvi sloj pronađe određenu značajku, prenosi podatke na sljedeći sloj koji zatim pretražuje drugu značajku unutar te značajke i tako dalje.

"Nevjerojatna je činjenica da neuronske mreže uče same po sebi kakve značajke traže", rekao je znanstvenik Philip Marshall, koautor rada. "To je usporedivo s načinom na koji mala djeca uče prepoznavati predmete. Ne kažete im točno kakav je pas, samo ih pokažite slikama pasa."

No, u ovom slučaju, Hezaveh je rekao: "Kao da ne samo da su fotografirali psa iz hrpe fotografija, već su također dali informacije o težini, visini i dobi pasa."

Iako su znanstvenici KIPAC-a vodili svoje testove na klasteru računalstva visokih performansi Sherlocka u Stanford Research Computing Centeru, mogli su izvršiti račune na laptopu ili čak na mobitelu, rekli su. Zapravo, jedna od neuronskih mreža koje su testirali dizajnirana je za rad na iPhone uređajima.

"Neuronske mreže primijenjene su na astrofizikalne probleme u prošlosti s mješovitim rezultatima", rekao je član KIPAC-ovog fakulteta Roger Blandford, koji nije bio koautor na papiru. "Ali novi algoritmi u kombinaciji s modernim procesorskim procesorskim jedinicama ili GPU-ima mogu proizvesti izuzetno brze i pouzdane rezultate, s obzirom na to da se problem gravitacijske leće koji se rješava u ovom radu dramatično demonstrira. Postoji značajan optimizam da će to postati pristup izboru za mnogo više podataka obrade i analize u astrofizici i drugim područjima. "

menu
menu