Thấu kính hấp dẫn là một công cụ quan trọng cho các nhà thiên văn học muốn nghiên cứu các vật thể ở xa nhất trong Vũ trụ. Kỹ thuật này liên quan đến việc sử dụng một cụm vật chất khổng lồ (thường là thiên hà hoặc cụm) giữa nguồn sáng xa và người quan sát để nhìn rõ hơn ánh sáng đến từ nguồn đó. Trong một hiệu ứng đã được tiên đoán bởi Thuyết Einstein Thuyết tương đối rộng, điều này cho phép các nhà thiên văn học nhìn thấy các vật thể có thể bị che khuất.
Gần đây, một nhóm các nhà thiên văn học châu Âu đã phát triển một phương pháp tìm kiếm các thấu kính hấp dẫn trong đống dữ liệu khổng lồ. Sử dụng cùng một thuật toán trí tuệ nhân tạo mà Google, Facebook và Tesla đã sử dụng cho mục đích của họ, họ có thể tìm thấy 56 ứng cử viên thấu kính hấp dẫn mới từ một cuộc khảo sát thiên văn lớn. Phương pháp này có thể loại bỏ sự cần thiết của các nhà thiên văn học để tiến hành kiểm tra trực quan các hình ảnh thiên văn.
Nghiên cứu mô tả nghiên cứu của họ, có tên là Tìm kiếm các thấu kính hấp dẫn mạnh trong Khảo sát mức độ Kilo với Mạng lưới thần kinh chuyển đổi Convolutional, gần đây đã xuất hiện trong Thông báo hàng tháng của Hiệp hội Thiên văn Hoàng gia. Dẫn đầu bởi Carlo Enrico Petrillo thuộc Viện Thiên văn học Kapteyn, nhóm nghiên cứu cũng bao gồm các thành viên của Viện Vật lý Thiên văn Quốc gia (INAF), Viện Thiên văn học Argelander (AIfA) và Đại học Naples.
Mặc dù hữu ích cho các nhà thiên văn học, các thấu kính hấp dẫn là một nỗi đau để tìm. Thông thường, điều này sẽ bao gồm các nhà thiên văn học sắp xếp qua hàng ngàn hình ảnh được chụp bởi kính viễn vọng và đài quan sát. Trong khi các tổ chức học thuật có thể dựa vào các nhà thiên văn nghiệp dư và nhà thiên văn học công dân hơn bao giờ hết, không có cách nào để theo kịp hàng triệu hình ảnh thường xuyên được chụp bởi các công cụ trên khắp thế giới.
Để giải quyết vấn đề này, Tiến sĩ Petrillo và các đồng nghiệp của ông đã chuyển sang cái được gọi là Mạng Convulutionsal Neural Networks (CNN), một loại thuật toán học máy khai thác dữ liệu cho các mẫu cụ thể. Trong khi Google sử dụng các mạng thần kinh tương tự này để giành chiến thắng trong trận đấu với nhà vô địch thế giới, thì Facebook sử dụng chúng để nhận ra những thứ trong hình ảnh được đăng trên trang web của mình và Tesla đã sử dụng chúng để phát triển xe tự lái.
Như Petrillo đã giải thích trong một bài báo gần đây của Trường Nghiên cứu Thiên văn học Hà Lan:
Đây là lần đầu tiên một mạng lưới thần kinh tích chập được sử dụng để tìm các vật thể đặc biệt trong một cuộc khảo sát thiên văn. Tôi nghĩ rằng nó sẽ trở thành chuẩn mực vì các cuộc khảo sát thiên văn trong tương lai sẽ tạo ra một lượng dữ liệu khổng lồ cần thiết để kiểm tra. Chúng tôi không có nhà thiên văn học đủ để đối phó với điều này.
Sau đó, nhóm nghiên cứu đã áp dụng các mạng thần kinh này vào dữ liệu thu được từ Khảo sát Kilo-Degree (KiDS). Dự án này dựa vào Kính viễn vọng Khảo sát VLT (VST) tại Đài quan sát Paranal ESO ở Chile để lập bản đồ 1500 độ vuông của bầu trời đêm phía Nam. Bộ dữ liệu này bao gồm 21.789 hình ảnh màu được thu thập bởi VST LỚN OmegaCAM, một công cụ đa cấp được phát triển bởi một tập đoàn của nhà khoa học châu Âu kết hợp với ESO.
Những hình ảnh này đều chứa các ví dụ về Thiên hà đỏ phát sáng (LRGs), ba trong số đó được biết đến là thấu kính hấp dẫn. Ban đầu, mạng lưới thần kinh tìm thấy 761 ứng cử viên thấu kính hấp dẫn trong mẫu này. Sau khi kiểm tra trực quan các ứng cử viên này, nhóm nghiên cứu đã có thể thu hẹp danh sách xuống còn 56 ống kính. Những điều này vẫn cần được xác nhận bằng kính viễn vọng không gian trong tương lai, nhưng kết quả khá khả quan.
Như họ chỉ ra trong nghiên cứu của mình, một mạng lưới thần kinh như vậy, khi được áp dụng cho các tập dữ liệu lớn hơn, có thể tiết lộ hàng trăm hoặc thậm chí hàng ngàn ống kính mới:
Một ước tính thận trọng dựa trên kết quả của chúng tôi cho thấy rằng với phương pháp được đề xuất của chúng tôi, có thể tìm thấy 100 ống kính thiên hà khổng lồ ở z ~> 0,4 trong KiDS khi hoàn thành. Trong kịch bản lạc quan nhất, con số này có thể tăng đáng kể (tối đa là 2400 ống kính), khi mở rộng lựa chọn cường độ màu và huấn luyện CNN để nhận ra các hệ thống thấu kính tách hình ảnh nhỏ hơn.
Ngoài ra, mạng lưới thần kinh đã khám phá lại hai trong số các ống kính đã biết trong bộ dữ liệu, nhưng đã bỏ lỡ ống kính thứ ba. Tuy nhiên, điều này là do thực tế là ống kính này đặc biệt nhỏ và mạng lưới thần kinh không được đào tạo để phát hiện các ống kính có kích thước này. Trong tương lai, các nhà nghiên cứu hy vọng sẽ khắc phục điều này bằng cách đào tạo mạng lưới thần kinh của họ để nhận thấy các ống kính nhỏ hơn và loại bỏ các dương tính giả.
Nhưng tất nhiên, mục tiêu cuối cùng ở đây là loại bỏ sự cần thiết phải kiểm tra trực quan hoàn toàn. Khi làm như vậy, các nhà thiên văn học sẽ được giải phóng khỏi việc phải làm những công việc nặng nề và có thể dành nhiều thời gian hơn cho quá trình khám phá. Theo cách tương tự, các thuật toán học máy có thể được sử dụng để tìm kiếm thông qua dữ liệu thiên văn cho các tín hiệu của sóng hấp dẫn và ngoại hành tinh.
Giống như cách các ngành công nghiệp khác đang tìm cách hiểu được hàng terabyte người tiêu dùng hoặc các loại dữ liệu lớn khác, dữ liệu vật lý thiên văn và vũ trụ học có thể dựa vào trí thông minh nhân tạo để tìm ra mô hình trong Vũ trụ dữ liệu thô. Và mức chi trả có thể sẽ không khác gì một quá trình khám phá được tăng tốc.
