Astronomowie wykorzystują sztuczne mózgi do badania supernowych

„Sztuczne mózgi” - czyli sieci neuronowe naśladujące pracę ludzkiego umysłu - mają coraz więcej zastosowań w astronomii. Ich użycie pomaga naukowcom rzucić nowe światło na wiele ciekawych kwestii, w tym na fizykę pozostałości po wybuchach supernowej i podwójne układy gwiazd. Dzięki nim pewne obliczenia można też wykonać... dużo szybciej.

Czym jednak są te dziwne twory? Specjaliści od sztucznej inteligencji zwykle programują komputery tak, by same „uczyły się” one podczas pracy, podobnie jak ludzie. Popularna metodą jest obecnie tworzenie tak zwanych sieci neuronowych – struktur, które odtwarzają pracę naszych komórek nerwowych (neuronów). Takie cyfrowe neurony najpierw otrzymują pewien zbiór danych, a następnie współpracują ze sobą nad rozwiązaniem jakiegoś dotyczącego tych danych problemu. Ostatecznie zmieniają wzorce połączeń pomiędzy poszczególnymi neuronami w taki sposób, by jak najbardziej optymalnie zmodyfikować typ wzajemnych interakcji podczas pracy, i próbują rozwiązać problem jeszcze raz – być może z lepszym skutkiem. Z biegiem czasu, po wielu takich treningach na różnych zestawach danych, sieć uczy się, które wzorce połączeń są najbardziej efektywne w rozwiązywaniu danego zagadnienia.

Zespół z Harvardu pod kierownictwem Ashley'a Villara wykorzystał niedawno sieć neuronową w badaniach supernowych typu Ia. Wybuchy gwiazd tego rodzaju mają miejsce po samozniszczeniu się białego karła na skutek pochłonięcia zbyt dużej ilości masy z jego drugiego gwiazdowego towarzysza. Wiadomo, że wszystkie supernowe Ia mają podobne jasności, dzięki czemu astronomowie wykorzystują je często jako świece standardowe służące do pomiaru odległości we Wszechświecie — mówiąc prościej, im mniej jasna jest dowolna supernowa tego typu, tym dalej od Ziemi musi się ona znajdywać. Bazując na tej znanej zależności można badać bardzo wiele – w tym dość tajemnicze przyśpieszenie ekspansji Wszechświata.

Jednak w blasku supernowych typu Ia spotyka się pewne odchylenia, które w rezultacie mogą doprowadzić do pojawienia się systematycznych błędów w związanych z nimi badaniach. Jednym ze źródeł takich odchyłek jest na przykład metaliczność gwiazd – czyli obecność w ich składzie pierwiastków chemicznych cięższych od wodoru i helu. Naukowcy użyli sieci neuronowej w celu oszacowania takiej metaliczności supernowych wyłącznie na bazie widm ich obserwowanego światła. Sieć „uczyła się” na zbiorze złożonym z 400 supernowych, a ich metaliczność była określana w oparciu o metaliczności ich macierzystych galaktyk.

Metaliczność obserwowana w świetle supernowych jest przy tym bardzo trudna do oszacowania. Nie da się w tym przypadku po prostu spojrzeć na widmo i na tej bazie powiedzieć wiele na jej temat. Teraz okazało się jednak, że sieci neuronowe radzą sobie z tym problemem bardzo dobrze!

Nieco podobnym zagadnieniem jest rozróżnianie poszczególnych typów gwiazd supernowych. Zespół Eve Kovacs z Argonne National Laboratory również wykorzystał w tym celu sieci neuronowe. Astronomowie potrafią wprawdzie zidentyfikować supernowe typu Ia po ich charakterystycznym widmie, ale wymaga to dużego teleskopu oraz długiego czasu obserwacyjnego. W przypadku potrzeby wykonania takich pomiarów dla tysięcy gwiazd w praktyce może być to po prostu niewykonalne.

Tak samo jest z analizą dużych ilości danych na temat zaćmieniowych układów podwójnych – par gwiazd, które leżą blisko siebie i wzajemnie się okrążają, okresowo powodując zaćmienia jednego ze składników układu. Dzięki ich dokładnym badaniom można dowiedzieć się wiele na temat parametrów ich orbit, masa, czy temperatur. Są one poza tym dobrym narzędziem do testowania wielu modeli ewolucji gwiazd. Jednak i w tym przypadku sztuczne sieci neuronowe są w stanie wykonać takie obliczenia dużo szybciej i sprawniej.

Czy astronomia zyskała zatem doskonałe i uniwersalne narzędzie badawcze? Nie do końca. Słabością sztucznej inteligencji jest wciąż fakt, że wprawdzie dobrze wyszkolone sieci neuronowe umieją podać nam wiele rozwiązań, ale nie potrafią już określić, dlaczego są one takie a nie inne. Naukowcy wciąż mają więc dużo pracy – to oni muszą określić, czego dana sieć tak naprawdę się nauczyła...

Czytaj więcej:



Źródło: astronomy.com

Zdjęcie: wizualizacja sieci neuronowej. Źródło: dujs.dartmouth.edu