Astrónomos del departamento de Astronomía de la Universidad de Hawái recientemente hizo uso de la IA algoritmos para mapear construyen un mapa 3D masivo de más de 3 mil millones de objetos celestes. El equipo de astronomía utilizó datos espectroscópicos y algoritmos de clasificación de redes neuronales para realizar la tarea.
En 2016, los astrónomos del Instituto de Astronomía de la Universidad de Hawái en Manoa (UHM) lanzaron al público un conjunto de datos masivo que contiene datos de observación de más de 3 mil millones de estrellas, galaxias y otros objetos celestes, recopilados durante 4 años de observación de alrededor de tres. cuartos del cielo nocturno. El proyecto se denominó proyecto Pan-STARRS y el conjunto de datos que produjo tenía un tamaño aproximado de 2 petabytes (dos millones de gigabytes).
Como explicó Hans-Walter Rix, director del departamento de Galaxias y Cosmología del Instituto Max Plank de Astronomía según Phys.org:
“Pan-STARRS1 cartografió nuestra galaxia natal, la Vía Láctea, a un nivel de detalle nunca antes alcanzado. El estudio proporciona, por primera vez, una visión profunda y global de una fracción significativa del plano y el disco de la Vía Láctea… Su combinación única de profundidad, área y colores de imágenes le permitió descubrir la mayoría de los cuásares más distantes conocidos: estos son los primeros ejemplos en nuestro universo de que gigantescos agujeros negros habían crecido en el centro de las galaxias”.
Uno de los objetivos de publicar el conjunto de datos era que se usaría para construir un mapa del cielo observable, clasificando los muchos puntos de luz que se observaron en el conjunto de datos. Los investigadores involucrados en el proyecto Pan-STARRS usaron el conjunto de datos para entrenar algoritmos de aprendizaje automático que podrían usar para generar el mapa.
Los investigadores de la Universidad de Hawái trabajan con el telescopio PS1, ubicado en la Isla Grande de Hawái. La PS1 puede escanear aproximadamente el 75% del cielo observable. El telescopio es el estudio óptico multicolor profundo más grande del mundo, y los investigadores querían aprovechar este poder para construir un mapa del cielo sofisticado. Esto implicó entrenar las computadoras de la PS1 para clasificar objetos, distinguiendo un tipo de cuerpo celeste de otro tipo. El conjunto de datos que usaron para entrenar la computadora contenía millones de medidas, caracterizadas por características como el tamaño y el color.
Los algoritmos de IA utilizados fueron redes neuronales normales de retroalimentación combinadas con métodos de optimización que permitieron que las redes aprendieran las complejas relaciones entre los millones de puntos de datos. Robert Beck, ex postdoctorado en cosmología en el Instituto de Astronomía de la UHM, explicó que se utilizaron algoritmos de optimización de última generación para entrenar a la computadora en los aproximadamente 4 millones de objetos celestes descritos por el conjunto de datos. Como informó TechExplorist, el equipo de investigación también tuvo que corregir la interferencia del polvo dentro de la galaxia de la Vía Láctea. El equipo de investigación utilizó un método de muestreo Monte-Carlo para estimar la incertidumbre creada debido a la corrimiento al rojo fotométrico (una estimación de la velocidad de un objeto) y luego entrenó el modelo de aprendizaje automático en los datos espectroscópicos.
Después de entrenar el modelo, se comprobó su rendimiento en un conjunto de datos de validación. La red identificó con éxito alrededor del 96,6 % de los cuásares, el 97,8 % de las estrellas y el 98,1 % de las galaxias. Además, el modelo predijo la distancia a las galaxias y, cuando se verificó, las predicciones solo se equivocaron en aproximadamente un 3 %.
El resultado final del entrenamiento y la utilización de la IA fue el mayor catálogo 3D de estrellas, cuásares y galaxias del mundo. El coautor del estudio, Kenneth Chambers, explicó: citado por Gizmodo, que los modelos utilizados para generar el mapa deberían poder usarse nuevamente a medida que se recopilan más y más datos, mejorando aún más el mapa y mejorando nuestra comprensión de nuestro sistema solar y el universo. Los científicos podrán usar el mapa para obtener información sobre la forma del universo y determinar dónde nuestro modelo cosmológico no se alinea con las nuevas proyecciones.