Observação, simulação e Inteligência Artificial unem forças para revelar um universo claro

Visualização artística desta pesquisa. Usando a análise de dados orientada por IA para remover o ruído e encontrar a forma real do universo. Crédito: The Institute of Statistical Mathematics

Astrônomos japoneses desenvolveram uma nova técnica de inteligência artificial (IA) para remover ruído em dados astronômicos devido a variações aleatórias nas formas das galáxias. Após extenso treinamento e testes em grandes dados simulados criados por simulações de supercomputador, eles aplicaram esta nova ferramenta aos dados reais do Telescópio Subaru do Japão e descobriram que a distribuição de massa derivada do uso deste método é consistente com os modelos atualmente aceitos do Universo. Esta é uma nova ferramenta poderosa para analisar grandes volumes de dados de pesquisas astronômicas atuais e planejadas.

Dados de pesquisa de área ampla podem ser usados para estudar a estrutura em grande escala do Universo por meio de medições de padrões de lentes gravitacionais. Em lentes gravitacionais, a gravidade de um objeto em primeiro plano, como um aglomerado de galáxias, pode distorcer a imagem de um objeto em segundo plano, como uma galáxia mais distante. Alguns exemplos de lentes gravitacionais são óbvios, como o “Olho de Hórus”. A estrutura em grande escala, consistindo principalmente de misteriosa matéria “escura”, pode distorcer as formas de galáxias distantes também, mas o efeito de lente esperado é sutil. A média de muitas galáxias em uma área é necessária para criar um mapa das distribuições de matéria escura em primeiro plano.

Mas essa técnica de olhar para muitas imagens de galáxias é um problema; algumas galáxias são inatamente um pouco engraçadas. É difícil distinguir entre uma imagem de galáxia distorcida por lentes gravitacionais e uma galáxia que está realmente distorcida. Isso é conhecido como ruído de forma e é um dos fatores limitantes na pesquisa que estuda a estrutura em grande escala do Universo.

Esquema da inteligência artificial utilizada neste estudo, uma rede gerativa adversarial (GAN). A primeira rede, chamada de gerador de imagem G, estima e produz um mapa de lente sem ruído a partir de um mapa de lente com ruído. A segunda rede, o discriminador de imagem D, compara o mapa de lentes criado por G com o verdadeiro mapa de lentes sem ruído e identifica a imagem criada por G como falsa. Ao inserir um grande número de pares de mapas de lente barulhentos / sem ruído nas duas redes, G é treinado para fazer mapas de lentes mais próximos dos originais e D é treinado para localizar com mais precisão as falsificações feitas por G. Neste estudo , 25.000 pares de mapas de lentes sem ruído e barulhentos obtidos de simulações numéricas usando ATERUI II foram usados para criar uma rede estável. Finalmente, um gerador de imagem treinado G estima um mapa de lentes sem ruído baseado no mapa de lentes observacionais ruidosas realmente observado. Crédito: NAOJ

Para compensar o ruído da forma, uma equipe de astrônomos japoneses usou pela primeira vez o ATERUI II, o supercomputador mais poderoso do mundo dedicado à astronomia, para gerar 25.000 catálogos de galáxias simulados com base em dados reais do Telescópio Subaru. Eles então adicionaram ruído realista a esses conjuntos de dados artificiais perfeitamente conhecidos e treinaram uma IA para recuperar estatisticamente a matéria escura da lente dos dados simulados.

Após o treinamento, a IA foi capaz de recuperar detalhes finos anteriormente inobserváveis, ajudando a melhorar nossa compreensão da matéria escura cósmica. Então, usando esta IA em dados reais cobrindo 21 graus quadrados do céu, a equipe encontrou uma distribuição da massa do primeiro plano consistente com o modelo cosmológico padrão.

“Esta pesquisa mostra os benefícios de combinar diferentes tipos de pesquisa: observações, simulações e análise de dados de IA”, diz Masato Shirasaki, o líder da equipe, “Nesta era de big data, precisamos ultrapassar as fronteiras tradicionais entre especialidades e usar todas as ferramentas disponíveis para entender os dados. Se pudermos fazer isso, abriremos novos campos na astronomia e outras ciências.”

Publicado em 07/07/2021 11h38

Artigo original:

Estudo original: