Inteligencia artificial. Lentes gravitacionales 10 millones de veces más rápido.
Greg Stewart, SLAC National Accelerator Laboratory
Por Manuel Gnida, para Symmetry Magazine Agosto 30 de 2017
Investigadores del SLAC National Accelerator Laboratory y la Universidad de Stanford han demostrado por primera vez que las redes neuronales -una forma de inteligencia artificial- pueden analizar con precisión las complejas distorsiones en el espacio-tiempo conocidas como lentes gravitacionales 10 millones de veces más rápidas que los métodos tradicionales.
"Los análisis que normalmente tardan de semanas a meses en completarse, que requieren la aportación de expertos y que son exigentes desde el punto de vista informático, pueden realizarse mediante redes neuronales en una fracción de segundo, de forma totalmente automática y, en principio, en un teléfono celular chip de computadora ", dice el becario postdoctoral Laurence Perreault Levasseur, coautor de un estudio publicado hoy en Nature.
Análisis complejo rápido como un rayo
El equipo del Instituto Kavli de Astrofísica de Partículas y Cosmología (KIPAC), un instituto conjunto de SLAC y Stanford, utilizó redes neuronales para analizar imágenes de lentes gravitacionales fuertes, donde la imagen de una galaxia lejana se multiplica y distorsiona en anillos y arcos por la gravedad de un objeto masivo, como un cúmulo de galaxias, que está más cerca de nosotros. Las distorsiones proporcionan pistas importantes sobre cómo se distribuye la masa en el espacio y cómo esa distribución cambia con el tiempo: propiedades relacionadas con la materia oscura invisible que constituye el 85 por ciento de toda la materia del universo y la energía oscura que está acelerando la expansión del universo.
Hasta ahora, este tipo de análisis ha sido un proceso tedioso que implica la comparación de imágenes reales de lentes con una gran cantidad de simulaciones por computadora de modelos de lentes matemáticos. Esto puede llevar semanas o meses para una sola lente.
Pero con las redes neuronales, los investigadores pudieron hacer el mismo análisis en unos segundos, que demostraron utilizando imágenes reales del Telescopio Espacial Hubble de la NASA y simuladas.
Para entrenar a las redes neuronales en lo que deben buscar, los investigadores les mostraron cerca de medio millón de imágenes simuladas de lentes gravitacionales durante aproximadamente un día. Una vez capacitadas, las redes pudieron analizar nuevas lentes casi instantáneamente con una precisión que era comparable a los métodos de análisis tradicionales. En un documento separado, presentado a The Astrophysical Journal Letters, el equipo informa cómo estas redes también pueden determinar las incertidumbres de sus análisis.
Los investigadores de KIPAC utilizaron imágenes de galaxias de lente intensa tomadas con el Telescopio Espacial Hubble para evaluar el rendimiento de las redes neuronales, que prometen acelerar enormemente los análisis astrofísicos complejos. Crédito de la imagen: Yashar Hezaveh / Laurence Perreault Levasseur / Phil Marshall / Stanford / SLAC National Accelerator Laboratory; NASA / ESA
Preparado para las inundaciones de datos del futuro
"Las redes neuronales probadas -tres redes neuronales disponibles públicamente y una que desarrollamos nosotros mismos- fueron capaces de determinar las propiedades de cada lente, incluyendo cómo se distribuía su masa y cuánto magnificaba la imagen de la galaxia de fondo", dice el autor principal del estudio Yashar Hezaveh, un becario postdoctoral de la NASA Hubble en KIPAC.
Esto va más allá de las aplicaciones recientes de redes neuronales en astrofísica, que se limitaban a resolver problemas de clasificación, como determinar si una imagen muestra una lente gravitacional o no.
La capacidad de filtrar grandes cantidades de datos y realizar análisis complejos de forma muy rápida y automatizada podría transformar la astrofísica de una manera que es muy necesaria para estudios futuros del cielo que profundizarán en el universo y producirán más datos que nunca. antes de.
El Telescopio de levantamiento sinóptico grande (LSST), por ejemplo, cuya cámara de 3,2 gigapíxeles se está construyendo actualmente en SLAC, proporcionará vistas incomparables del universo y se espera que aumente el número de lentes gravitacionales fuertes conocidos de unos cientos hoy en día a decenas. de miles.
"No tendremos suficientes personas para analizar todos estos datos de manera oportuna con los métodos tradicionales", dice Perreault Levasseur. "Las redes neuronales nos ayudarán a identificar objetos interesantes y analizarlos rápidamente. Esto nos dará más tiempo para hacer las preguntas correctas sobre el universo ".
Esquema de una red neuronal artificial, con unidades computacionales individuales organizadas en cientos de capas. Cada capa busca ciertas características en la imagen de entrada (a la izquierda). La última capa proporciona el resultado del análisis. Los investigadores utilizaron tipos particulares de redes neuronales, llamadas redes neuronales convolucionales, en las que las unidades computacionales individuales (neuronas, esferas grises) de cada capa también se organizan en losas 2D que agrupan información sobre la imagen original en unidades computacionales más grandes. Crédito de la imagen: Greg Stewart, SLAC National Accelerator Laboratory
Un enfoque revolucionario
Las redes neuronales están inspiradas en la arquitectura del cerebro humano, en el que una densa red de neuronas procesa y analiza rápidamente la información.
En la versión artificial, las "neuronas" son unidades computacionales únicas que están asociadas con los píxeles de la imagen que se analiza. Las neuronas están organizadas en capas, hasta cientos de capas de profundidad. Cada capa busca características en la imagen. Una vez que la primera capa ha encontrado una determinada característica, transmite la información a la siguiente capa, que luego busca otra característica dentro de esa característica, y así sucesivamente.
"Lo sorprendente es que las redes neuronales aprenden por sí mismas qué características buscar", dice el científico del personal de KIPAC, Phil Marshall, coautor del artículo. "Esto es comparable a la forma en que los niños pequeños aprenden a reconocer los objetos. No les dices exactamente qué es un perro; solo les muestras fotos de perros ".
Pero en este caso, Hezaveh dice: "Es como si no solo recogieran fotos de perros de una pila de fotos, sino que también devolvieran información sobre el peso, la estatura y la edad de los perros".
Aunque los científicos de KIPAC realizaron sus pruebas en el clúster de cómputo de alto rendimiento de Sherlock en el Stanford Research Computing Center, podrían haber hecho sus cálculos en una computadora portátil o incluso en un teléfono celular, dijeron. De hecho, una de las redes neuronales que probaron fue diseñada para funcionar en iPhones.
"Las redes neuronales se han aplicado a problemas astrofísicos en el pasado con resultados mixtos", dice el miembro de la facultad de KIPAC Roger Blandford, que no era coautor del artículo. "Pero los nuevos algoritmos combinados con unidades modernas de procesamiento de gráficos, o GPU, pueden producir resultados extremadamente rápidos y confiables, como lo demuestra dramáticamente el problema de lentes gravitacionales abordado en este documento. Existe un considerable optimismo de que este será el enfoque de elección para muchos más problemas de procesamiento y análisis de datos en astrofísica y otros campos ".
Nota del editor: Este artículo apareció originalmente como comunicado de prensa de SLAC.
With a tiny help from Google