Le lenti gravitazionali sono uno strumento importante per gli astronomi che cercano di studiare gli oggetti più distanti nell'Universo. Questa tecnica prevede l'uso di un enorme ammasso di materia (di solito una galassia o ammasso) tra una sorgente luminosa distante e un osservatore per vedere meglio la luce proveniente da quella sorgente. In un effetto previsto dalla Teoria della relatività generale di Einstein, ciò consente agli astronomi di vedere oggetti che altrimenti potrebbero essere oscurati.
Di recente, un gruppo di astronomi europei ha sviluppato un metodo per trovare lenti gravitazionali in enormi pile di dati. Usando gli stessi algoritmi di intelligenza artificiale che Google, Facebook e Tesla hanno usato per i loro scopi, sono stati in grado di trovare 56 nuovi candidati di lenti gravitazionali da un enorme rilevamento astronomico. Questo metodo potrebbe eliminare la necessità per gli astronomi di condurre ispezioni visive di immagini astronomiche.
Lo studio che descrive la loro ricerca, intitolato "Trovare forti lenti gravitazionali nel Kilo Degree Survey con Convolutional Neural Networks", è recentemente apparso nel Avvisi mensili della Royal Astronomical Society. Guidato da Carlo Enrico Petrillo dell'Istituto Astronomico Kapteyn, il team comprendeva anche membri dell'Istituto Nazionale di Astrofisica (INAF), l'Argelander-Institute for Astronomy (AIfA) e l'Università di Napoli.
Sebbene utili agli astronomi, le lenti gravitazionali sono un dolore da trovare. Normalmente, ciò consisterebbe in astronomi che selezionano migliaia di immagini scattate da telescopi e osservatori. Mentre le istituzioni accademiche sono in grado di fare affidamento su astronomi dilettanti e cittadini astronomi come mai prima d'ora, non c'è modo di stare al passo con milioni di immagini che vengono regolarmente catturate da strumenti in tutto il mondo.
Per ovviare a questo, il Dr. Petrillo e i suoi colleghi si sono rivolti a quelle che sono note come "Convulutional Neural Networks" (CNN), un tipo di algoritmo di apprendimento automatico che estrae i dati per schemi specifici. Mentre Google ha utilizzato queste stesse reti neurali per vincere una partita di Go contro il campione del mondo, Facebook le utilizza per riconoscere le cose nelle immagini pubblicate sul suo sito e Tesla le ha utilizzate per sviluppare auto a guida autonoma.
Come ha spiegato Petrillo in un recente articolo di stampa della Netherlands Research School for Astronomy:
“Questa è la prima volta che una rete neurale convoluzionale è stata utilizzata per trovare oggetti peculiari in un rilevamento astronomico. Penso che diventerà la norma poiché le future indagini astronomiche produrranno un'enorme quantità di dati che saranno necessari per l'ispezione. Non abbiamo abbastanza astronomi per farcela. "
Il team ha quindi applicato queste reti neurali ai dati derivati dal Kilo-Degree Survey (KiDS). Questo progetto si basa sul VLT Survey Telescope (VST) presso l'Osservatorio Paranal dell'ESO in Cile per mappare 1500 gradi quadrati del cielo notturno meridionale. Questo set di dati consisteva in 21.789 immagini a colori raccolte dall'OmegaCAM del VST, uno strumento multibanda sviluppato da un consorzio di scienziati europei in collaborazione con l'ESO.
Queste immagini contenevano tutti esempi di galassie rosse luminose (LRG), tre delle quali conosciute come lenti gravitazionali. Inizialmente, la rete neurale ha trovato 761 candidati di lenti gravitazionali all'interno di questo campione. Dopo aver ispezionato visivamente questi candidati, il team è stato in grado di restringere l'elenco a 56 obiettivi. Questi dovranno ancora essere confermati dai telescopi spaziali in futuro, ma i risultati sono stati abbastanza positivi.
Come indicano nel loro studio, tale rete neurale, se applicata a set di dati più grandi, potrebbe rivelare centinaia o addirittura migliaia di nuovi obiettivi:
"Una stima prudente basata sui nostri risultati mostra che con il nostro metodo proposto dovrebbe essere possibile trovare? 100 enormi obiettivi LRG-galaxy a z ~> 0,4 in KiDS una volta completato. Nello scenario più ottimistico questo numero può crescere considerevolmente (fino a un massimo di? 2400 obiettivi), quando si amplia la selezione dell'intensità del colore e si allena la CNN a riconoscere sistemi di lenti con separazione delle immagini più piccoli. "
Inoltre, la rete neurale ha riscoperto due degli obiettivi noti nel set di dati, ma ha perso il terzo. Tuttavia, ciò era dovuto al fatto che questo obiettivo era particolarmente piccolo e la rete neurale non era addestrata per rilevare obiettivi di queste dimensioni. In futuro, i ricercatori sperano di correggerlo allenando la loro rete neurale per notare lenti più piccole e respingere falsi positivi.
Ma, naturalmente, l'obiettivo finale qui è rimuovere completamente la necessità di ispezione visiva. In tal modo, gli astronomi verrebbero liberati dal dover svolgere un lavoro grugnito e potrebbero dedicare più tempo al processo di scoperta. Allo stesso modo, gli algoritmi di apprendimento automatico potrebbero essere utilizzati per cercare nei dati astronomici segnali di onde gravitazionali ed esopianeti.
Proprio come il modo in cui altre industrie stanno cercando di dare un senso ai terabyte di consumatori o ad altri tipi di "big data", il campo dell'astrofisica e della cosmologia potrebbe arrivare a fare affidamento sull'intelligenza artificiale per trovare gli schemi in un universo di dati grezzi. E il payoff probabilmente non sarà altro che un processo accelerato di scoperta.
