Uczenie maszynowe rzuca nowe światło na nieboskłon i pozwala znaleźć nowe obiekty w kosmicznym tłumie
Gwiazdy, które powstały w wyniku fragmentacji i grawitacyjnego zapadania się obłoków molekularnych, tworzą skupiska powiązanych ze sobą ciał niebieskich. Zjawisko to rodzi wiele intrygujących pytań, dotyczących między innymi tego, jak wygląda rozkład mas w tych klastrach, a także współistnienia masywnych gwiazd i ich odpowiedników o niskiej masie oraz ich proporcji. Zagadką pozostają także enigmatyczne brązowe karły – niewielkie ciała niebieskie, które nie mają wystarczających rozmiarów, aby wywołać fuzję wodoru w swoich jądrach. Dla rozwikłania tych kosmicznych zagadek kluczowe znaczenie ma liczenie gwiazd w gromadzie. Jednak splatanie się ze sobą licznych gwiazd z pierwszego i drugiego planu w opisach astronomicznych tych gromad czyni to zadanie niezwykle trudnym. Co więcej, misja kosmiczna Gaia, choć jest niezwykle ważna, nie jest w stanie wykryć członków gromad o najniższej temperaturze (brązowych karłów); z kolei wykorzystywane w ramach misji systemy detekcji światła widzialnego nie są w stanie przeniknąć pyłu spowijającego młode gromady gwiazd.
Pokonywanie wyzwań dzięki uczeniu maszynowemu
Rozwiązaniem tych problemów może być finansowany przez UE projekt COSMIC-DANCE. „Pomiar ruchu gwiazd na niebie jest skomplikowany, co wynika z faktu, odbywa się w niezwykle małej skali, porównywalnej z rozmiarem kątowym monety znajdującej się na szczycie wieży Eiffla obserwowanej z Nowego Jorku”, zauważa koordynator projektu Herve Bouy. „Zamiast czekać dziesięciolecia, aż kamery naziemne wykryją te ruchy, zdecydowaliśmy się wykorzystać bogactwo obrazów zgromadzonych w archiwach astronomicznych”. Wykorzystując uczenie maszynowe od pierwszych chwil trwania projektu, zespół z powodzeniem stawił czoła trudnemu zadaniu przetwarzania dziesiątek tysięcy obrazów astronomicznych, które składają się na wiele terabajtów surowych danych. Sprawę komplikowało jednak to, że obrazy te często zawierały różne defekty, takie jak martwe lub prześwietlone piksele, trafienia promieni kosmicznych i smugi satelitarne. Z uwagi na sam rozmiar zbioru danych, zespół przeszkolił konwolucyjną sieć neuronową (rodzaj modelu SI specjalizującej się w rozpoznawaniu i rozumieniu wzorców wizualnych) do wykrywania wad obrazu bez nadzoru badaczy. „Przeszkoliliśmy sieć, aby samodzielnie szukała wad w obrazach astronomicznych, co było działaniem odbiegającym od typowych zadań stawianych takim rozwiązaniom, zwykle polegających na identyfikacji kotów lub osób w internecie”. W rezultacie zespół z powodzeniem zidentyfikował wszystkie problematyczne piksele lub klatki, uzyskując maksymalną ilość wartościowych danych z całego zbioru. Pomiar ruchu gwiazd był zaledwie pierwszym wyzwaniem. „Po zmierzeniu ruchu, jasności i kolorów dziesiątek milionów gwiazd na naszych zdjęciach, musieliśmy zidentyfikować kilka tysięcy członków gromady wśród dziesiątek milionów niepowiązanych ze sobą gwiazd. Opracowaliśmy nowe metody oparte na uczeniu maszynowym i statystyce bayesowskiej, aby dokładnie zidentyfikować wszystkie elementy składowe w naszym wielowymiarowym zbiorze danych”, dodaje Bouy.
Tajemnicze ciała niebieskie wędrujące jak nomadzi
Jednym z najbardziej ekscytujących wyników projektu było odkrycie od 70 do 170 swobodnie poruszających się planet. Obiekty te mają masę planety, ale nie są związane z żadną gwiazdą, zamiast tego swobodnie wędrują po galaktyce. Fakt ich istnienia był znany od późnych lat 90. XX wieku z pośrednich detekcji z pomocą mikrosoczewkowania, ale tylko kilka z nich zostało bezpośrednio zobrazowanych. Ich dokładna liczba w danym klastrze była również w dużej mierze nieznana. „Po raz pierwszy i bez żadnych wątpliwości zidentyfikowaliśmy dużą próbkę swobodnie poruszających się planet w regionie formowania się gwiazd, co ma istotne znaczenie dla teorii formowania się gwiazd, powstawania planet i wczesnej ewolucji planet”, podkreśla Bouy.
Innowacje oparte na uczeniu maszynowym zmienią przyszłość astronomii
„Nadal rozwijamy nasze narzędzia programowe na potrzeby własnych badań oraz z myślą o wszystkich zainteresowanych ich wykorzystaniem (są one ogólnodostępne w serwisie GitHub)”, stwierdza Bouy. „Uderzenia promieni kosmicznych są powszechnym zjawiskiem w przestrzeni kosmicznej i wpływają na obserwacje prowadzone podczas misji kosmicznych. MaxiMask, narzędzie sztucznej inteligencji do wykrywania błędów w obrazach, może być skutecznie wykorzystywane w już trwających lub przyszłych misjach kosmicznych, takich jak niedawno rozpoczęta europejska misja Euclid, Kosmiczny Teleskop Hubble'a lub Teleskop Jamesa Webba. Będzie to również miało kluczowe znaczenie dla badań naziemnych, na które wpływ mają nowe konstelacje satelitów na niskiej orbicie (np. Starlink), które poważnie zakłócają obserwacje astronomiczne”, podsumowuje Bouy.
Słowa kluczowe
COSMIC-DANCE, uczenie maszynowe, gromady gwiazd, obrazy astronomiczne, Gaia, konwolucyjna sieć neuronowa, statystyki bayesowskie
