La inteligencia artificial sondea la lente de la gravedad

Representación artística del uso de redes neuronales para analizar el fenómeno de la lente gravitacional, por el cual los objetos masivos causan distorsiones extremas en el espacio-tiempo. Imagen vía SLAC.

Manuel Gnida escribió este artículo para SLAC National Accelerator Laboratory en Menlo Park, California.

Investigadores del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía y de la Universidad de Stanford han demostrado por primera vez que las redes neuronales, una forma de inteligencia artificial, pueden analizar con precisión las distorsiones complejas en el espacio-tiempo conocidas como lentes gravitacionales 10 millones de veces más rápido que los métodos tradicionales. El becario posdoctoral Laurence Perreault Levasseur, coautor de un estudio publicado el 30 de agosto de 2017 en Nature, dijo:

Los análisis que generalmente demoran semanas o meses en completarse, que requieren el aporte de expertos y que son computacionalmente exigentes, pueden realizarse mediante redes neuronales en una fracción de segundo, de forma totalmente automatizada y, en principio, en la computadora de un teléfono celular chip.

El equipo del Instituto Kavli de Astrofísica y Cosmología de Partículas (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, 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 vinculadas a la materia oscura invisible que constituye el 85 por ciento de toda la materia en el universo y a la energía oscura que acelera la expansión del universo.

Hasta ahora, este tipo de análisis ha sido un proceso tedioso que consiste en comparar imágenes reales de lentes con una gran cantidad de simulaciones por computadora de modelos matemáticos de lentes. 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, lo que demostraron usando imágenes reales del telescopio espacial Hubble de la NASA y simuladas.

Para entrenar las redes neuronales en qué buscar, los investigadores les mostraron aproximadamente 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 comparable a los métodos de análisis tradicionales. En un documento separado, enviado a The Astrophysical Journal Letters, el equipo informa cómo estas redes también pueden determinar las incertidumbres de sus análisis.

En el siguiente video, el investigador de KIPAC, Phil Marshall, explica los principios ópticos de la lente gravitacional utilizando una copa de vino.

El autor principal del estudio es Yashar Hezaveh, becario postdoctoral del Hubble de la NASA en KIPAC. Él dijo:

Las redes neuronales que probamos, tres redes neuronales disponibles al público y una que desarrollamos nosotros mismos, pudieron determinar las propiedades de cada lente, incluida la forma en que se distribuía su masa y cuánto magnificaba la imagen de la galaxia de fondo.

Esto va mucho más allá de las aplicaciones recientes de redes neuronales en astrofísica, que se limitaron a resolver problemas de clasificación, como determinar si una imagen muestra una lente gravitacional o no.

La capacidad de examinar grandes cantidades de datos y realizar análisis complejos muy rápidamente y de manera totalmente automatizada podría transformar la astrofísica de una manera que es muy necesaria para futuros estudios del cielo que profundizarán en el universo y producirán más datos que nunca antes.

El Gran Telescopio de Levantamiento Sinóptico (LSST), por ejemplo, cuya cámara de 3.2 gigapíxeles está actualmente en construcción en SLAC, proporcionará vistas incomparables del universo y se espera que aumente el número de lentes gravitacionales fuertes conocidos de unos pocos cientos de hoy a decenas. de miles Perreault Levasseur comentó:

No tendremos suficientes personas para analizar todos estos datos de manera oportuna con los métodos tradicionales. 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.

Los investigadores de KIPAC utilizaron imágenes de galaxias con lentes muy fuertes tomadas con el Telescopio Espacial Hubble para evaluar el rendimiento de las redes neuronales, que prometen acelerar enormemente los análisis astrofísicos complejos. Imagen vía Yashar Hezaveh / Laurence Perreault Levasseur / Phil Marshall / Stanford / SLAC National Accelerator Laboratory / NASA y ESA).

Las redes neuronales se inspiran en la arquitectura del cerebro humano, en la 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 se organizan 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. El científico del personal de KIPAC, Phil Marshall, coautor del artículo, dijo:

Lo sorprendente es que las redes neuronales aprenden por sí mismas qué características buscar. Esto es comparable a la forma en que los niños pequeños aprenden a reconocer objetos. No les dices exactamente qué es un perro; solo les muestras fotos de perros.

Pero en este caso, Hezaveh dijo:

Es como si no solo tomaran fotos de perros de un montón de fotos, sino que también devolvieran información sobre el peso, la altura y la edad de los perros.

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 bidimensionales que agrupan información sobre la imagen original en unidades computacionales más grandes. Imagen vía Greg Stewart / SLAC National Accelerator Laboratory.

Aunque los científicos de KIPAC realizaron sus pruebas en el clúster de computación de alto rendimiento Sherlock en el Centro de Computación de Investigación de Stanford, 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. El miembro de la facultad de KIPAC, Roger Blandford, quien no fue coautor del artículo, explicó:

Las redes neuronales se han aplicado a problemas astrofísicos en el pasado con resultados mixtos. Pero los nuevos algoritmos combinados con las modernas unidades de procesamiento de gráficos, o GPU, pueden producir resultados extremadamente rápidos y confiables, como lo demuestra dramáticamente el problema de la lente gravitacional abordado en este documento. Existe un considerable optimismo de que este se convertirá en el enfoque de elección para muchos más problemas de procesamiento y análisis de datos en astrofísica y otros campos.

Parte de este trabajo fue financiado por la Oficina de Ciencia del DOE.

En pocas palabras: los investigadores de SLAC y Stanford han demostrado por primera vez que las redes neuronales, una forma de inteligencia artificial, pueden analizar con precisión las distorsiones en el espacio-tiempo conocidas como lentes gravitacionales, 10 millones de veces más rápido que los métodos tradicionales. Dicen que la capacidad de examinar grandes cantidades de datos y realizar análisis complejos de forma rápida y automatizada podría transformar la astrofísica.