Una red neuronal similar a un cerebro estudia la distorsión del espacio-tiempo a una velocidad asombrosa

Por primera vez, los investigadores han utilizado redes neuronales para analizar lentes gravitacionales, describiendo la distorsión del espacio-tiempo 10 millones de veces más rápido que los métodos tradicionales. (Greg Stewart/Laboratorio Nacional del Acelerador Slack)

Los investigadores utilizaron "redes neuronales" similares a las del cerebro para analizar distorsiones clave en el espacio-tiempo 10 millones de veces más rápido que los métodos tradicionales.

El nuevo estudio entrenó un sistema de inteligencia artificial para detectar características llamadas lentes gravitacionales en imágenes del Telescopio Espacial Hubble, así como en imágenes simuladas. Este proceso permite a los investigadores comprender mejor la distribución de masa en las galaxias y proporciona primeros planos de objetos galácticos distantes.

El análisis, que normalmente tarda semanas o meses en completarse, requiere la participación de expertos y es exigente desde el punto de vista computacional, se puede completar en segundos a través de redes neuronales, dijo Lawrence, coautor del nuevo estudio. La investigación fue totalmente automatizada y se llevó a cabo en principio en un chip de ordenador instalado en un teléfono móvil", afirmó Perrault Levasseur en un comunicado. Perreault Levasseur es investigador del Instituto Kavli de Astrofísica y Cosmología de Partículas (KIPAC), un instituto de investigación conjunto del Laboratorio Nacional del Acelerador SLAC del Departamento de Energía de Estados Unidos y la Universidad de Stanford en California. [Efecto de lente gravitacional] "Descrito elocuentemente" en "HubBeCaster" (vídeo) "KdSPE" "KdSPS" La alineación oportunista de objetos compactos y galaxias de fondo puede producir lentes gravitacionales, que es la ampliación natural del fondo cuando su luz está en primer plano La masa se dobla a su alrededor. El halo retorcido resultante, a veces llamado halo de Einstein, se puede analizar para conocer la masa del sistema distante y los objetos que pasan frente a él. Esto es particularmente útil para comprender la materia oscura, porque aunque no se puede observar directamente, puede actuar como una "lente" que se enfoca en las galaxias de fondo, dijeron los investigadores de SLAC en el comunicado. Sin embargo, analizar un sistema para comprender las propiedades de un objeto es un proceso largo y tedioso, ya que se comparan imágenes de lentes con imágenes simuladas y se intentan recrear las condiciones que conducen a estos fenómenos.

En lugar de analizar tomas individuales durante semanas o meses, las redes neuronales pueden encontrar las propiedades de una toma en segundos, dicen los investigadores 'KdSPE' 'KdSP' fotografiados por el Telescopio Espacial Hubble La galaxia "KdSPE". se dobla" alrededor de objetos densos en primer plano en un proceso llamado lentes gravitacionales. Los investigadores utilizaron estas imágenes para probar el rendimiento de las redes neuronales y comprender las propiedades de las lentes. (Yashar Hezaveh/Laurence Perreault Levasseur/Phil Marshall/Stanford/SLAC National Accelerator Laboratory; NASA/ESA) Entrenamiento con lentes

Las redes neuronales se entrenan mostrándoles millones o miles de millones de ejemplos de un atributo determinado Sistemas de inteligencia artificial con estructuras específicas inspiradas en el cerebro trabajan para ayudar a los investigadores a aprender a reconocer estas propiedades en otros contextos. Por ejemplo, mostrar a una red neuronal cada vez más fotografías de perros le permitirá identificar perros con mayor precisión, sin que los investigadores tengan que decirle a la red a qué detalles prestar atención.

Este proceso también se puede utilizar para tareas más complejas. Por ejemplo, el programa AlphaGo de Google demostró el análisis y procesamiento de una gran cantidad de juegos de Go, y finalmente derrotó a un campeón mundial en un juego complejo. Los programas informáticos tradicionales fallan a la hora de dominar el Go debido a la extrema cantidad de movimientos posibles.

En el estudio, los investigadores mostraron al sistema de red neuronal aproximadamente 500.000 imágenes simuladas de lentes de gravedad en el transcurso de un día. Luego probaron estas redes con nuevas imágenes y encontraron análisis extremadamente rápidos y precisos.

"Las redes neuronales que probamos (tres redes neuronales disponibles públicamente y una que desarrollamos nosotros mismos) fueron diseñadas para determinar las propiedades de cada lente, incluido cómo se distribuye su masa y cuánto aumenta en la medida en que pueden mejorar la imagen de las galaxias de fondo, dijo en el comunicado Yashar Hezaveh, autor principal del estudio e investigador de KIPAC,

Si bien las redes neuronales se han aplicado antes a la astrofísica, ahora rara vez se utilizan. Utilizándolos, los investigadores dicen niveles de complejidad.

Por ejemplo, se utilizan para identificar si una imagen contiene lentes gravitacionales, pero no para analizarla.

"Es como si [la red neuronal del estudio] no sólo extrajera una foto de un perro de un montón de fotos, sino que también proporcionara información sobre el peso, la altura y la edad del perro", dijo Herzaf.

Aunque el análisis se realizó utilizando clústeres informáticos de alto rendimiento, según los investigadores, se podría utilizar menos potencia de procesamiento, por ejemplo, en un ordenador portátil o incluso en un teléfono móvil. A medida que haya más datos astronómicos disponibles para examinar, dicho proceso puede convertirse en una herramienta importante para aprender todo lo posible de la inundación.

"Las redes neuronales se han aplicado a problemas astrofísicos en el pasado con resultados mixtos", dijo en un comunicado el investigador de KIPAC, Roger Blandford, que no fue autor del artículo, combinados con el procesamiento de gráficos moderno. unidades (GPU) El nuevo algoritmo puede producir resultados muy rápidos y confiables, como lo demuestra dramáticamente el problema de lentes gravitacionales resuelto en este artículo. Existe un optimismo considerable de que este se convertirá en el método elegido para más problemas de procesamiento y análisis de datos en astrofísica y otros campos.

Este nuevo trabajo se detalla en la edición del 30 de agosto de Nature.

Envía un correo electrónico a Sarah Lewin a slievin@space o síguela en @sarahexplants. Síguenos en @Spacedotcom, Facebook y Google+. Artículo original sobre el espacio. "