Lo que vio la red neuronal en la primera fotografía de un agujero negro

Amigos, muchos probablemente recuerden las imágenes del agujero negro que sorprendió a todos en abril de este año. Encontramos material muy interesante en el que hablaremos sobre lo que "piensan" los algoritmos de inteligencia artificial sobre la imagen de un agujero negro. Al traducir este material, continuamos una serie de publicaciones dedicadas al lanzamiento del curso Python Neural Networks . Le advertimos que el material resultó ser más entretenido que informativo, pero definitivamente vale la pena ver estas imágenes. Vamos



El 11 de abril, los científicos e ingenieros del equipo del telescopio Event Horizon hicieron un gran avance en la comprensión de los procesos que ocurren en el espacio exterior. Presentaron la primera imagen (fotografía) de un agujero negro. Esto fortaleció aún más la teoría general de la relatividad de Einstein, a saber, la hipótesis según la cual "los objetos masivos causan distorsión en el espacio-tiempo, que se refleja en forma de cambios gravitacionales".

Bueno, no soy físico ni astrónomo para entender o explicar cómo funciona esto, pero a mí, como a millones de personas que trabajan en diversos campos, me fascina el espacio y especialmente el fenómeno del agujero negro. La primera imagen de un agujero negro causó una ola de deleite en todo el mundo. Soy un especialista en aprendizaje profundo, que trabaja principalmente con redes neuronales convolucionales, y me resultó interesante que los algoritmos de inteligencia artificial "piensen" en la imagen de un agujero negro. De esto es de lo que hablaremos en el artículo.

Este extracto de La Gran Época describe el agujero negro de la siguiente manera: "Los agujeros negros están formados por" una gran cantidad de materia empaquetada en un espacio muy pequeño ", principalmente por" restos de una gran estrella que murió durante una explosión de supernova ". Los agujeros negros tienen un campo gravitacional tan fuerte que incluso la luz no puede escapar. La imagen resultante del agujero negro M87 se muestra a continuación. Este fenómeno se explica bien en el artículo "Cómo dar sentido a la imagen del agujero negro, según 2 astrofísicos" .


Agujero negro - M87 - Telescopio Event Horizon



Diferentes áreas de un agujero negro. Captura de pantalla del video de Vox: por qué esta foto de un agujero negro es tan importante

1. Lo que CCN ve en la imagen de un agujero negro

CCN (red neuronal de convolución) - redes neuronales convolucionales - una clase de algoritmos de aprendizaje profundo que es extremadamente eficaz en el reconocimiento de objetos del mundo real. Los CCN son las mejores redes neuronales para interpretar y reconocer imágenes. Dichas redes neuronales se entrenan en un millón de imágenes y se entrena para reconocer alrededor de 1000 objetos diferentes del mundo circundante. Pensé en mostrar la imagen de un agujero negro a dos redes neuronales convolucionales entrenadas y ver cómo lo reconocen, qué objeto del mundo a su alrededor se parece a un agujero negro. Esta no es una buena idea, ya que la imagen de un agujero negro se generó combinando varias señales recibidas desde el espacio utilizando un equipo especial, pero solo quería saber cómo se interpretaría la imagen sin ninguna información adicional sobre las señales.


Pronóstico de red neuronal VGG-16 - Partido


Pronóstico de red neuronal VGG-19 - Partido


Pronóstico de red neuronal ResNet-50 - Vela

Como vemos en las imágenes de arriba, los VGG-16 y VGG-19 entrenados ven un agujero negro como partido, y ResNet-50 cree que es una vela. Si hacemos una analogía con estos objetos, entenderemos que tiene sentido, ya que tanto la cerilla encendida como la vela tienen un centro oscuro rodeado de una densa luz amarilla brillante.

2. ¿Cuáles son los signos CCN extraídos de la imagen de un agujero negro?

Hice una cosa más, visualicé lo que generan las capas intermedias VGG-16. Las redes de aprendizaje profundo se llaman profundas, porque tienen un cierto número de capas, y cada una de ellas procesa la representación y las características de la imagen en la entrada. Veamos qué aprenden las diferentes capas de la red de la imagen entrante. El resultado fue bastante hermoso.


64 tarjetas de características de la primera capa convolucional VGG-16

Si observa más de cerca, verá que un área pequeña y brillante es un signo fuerte, y que se absorbe después de pasar por la mayoría de los filtros. A continuación se muestran algunos resultados de filtro interesantes, y ya se parecen a algún tipo de objeto celeste.


4 de 64 tarjetas de características de la primera capa convolucional


64 tarjetas de características de la segunda capa convolucional VGG-16

Amplíe algunos mapas de características interesantes de la segunda capa de la red neuronal.


6 de 64 tarjetas de características de la segunda capa convolucional

Ahora profundizaremos aún más y veremos la tercera capa convolucional.


128 tarjetas de características de la tercera capa convolucional VGG-16

Después de acercarnos encontramos un patrón familiar.


8 de los mapas de características presentados anteriormente en la tercera capa

Avanzando más, obtenemos algo como esto.


6 de 128 tarjetas de características con 4 capas convolucionales VGG-16

Profundizando, obtenemos información abstracta de alto nivel, y cuando visualizamos las capas 7, 8 y 10 de la convolución, solo veremos información de alto nivel.


Mapa de características de la séptima capa convolucional

Como podemos ver, muchos de los mapas de características son oscuros y aprenden solo las características específicas de alto nivel necesarias para reconocer esta clase. En capas más profundas, se vuelven más notables. Ahora nos acercamos y echamos un vistazo a algunos filtros.


6 tarjetas de características

Ahora considere 512 tarjetas de características de la décima capa convolucional.


Tarjetas de características de 10 capas convolucionales.

Ahora puede ver que en la mayoría de los mapas de características recibidos solo se acepta el área de la imagen como característica. Estos son signos de alto nivel que son visibles para las neuronas. Echemos un vistazo más de cerca a algunos de los mapas de características anteriores.


Algunas de las tarjetas de características tienen 10 niveles convolucionales, de mayor tamaño.

Ahora que hemos visto que CCN está tratando de aislarse de una imagen de agujero negro, intentemos pasar esta imagen a otros algoritmos de redes neuronales populares, como Neural Style Transfer y DeepDream.

3. Intentamos Neural Style Transfer y Deep Dream en la imagen de un agujero negro

La transferencia de estilo neuronal es una red neuronal inteligente que proporciona el "estilo" de una imagen a otra imagen fuente y, en última instancia, crea una imagen artística. Si aún no comprende, las imágenes a continuación explicarán el concepto. Usé el sitio deepdreamgenerator.com para crear varias imágenes artísticas a partir de la imagen original del agujero negro. Las fotos resultaron bastante interesantes.


Estilo de transmisión Imágenes generadas usando deepdreamgenerator.com

DeepDream es un programa de visión por computadora creado por el ingeniero de Google Alexander Mordvintsev que utiliza una red neuronal convolucional para buscar y mejorar patrones en imágenes usando un para-ídolo algorítmico, creando así una imagen alucinógena a partir de imágenes procesadas intencionalmente.


Sueño profundo Imágenes generadas usando deepdreamgenerator.com

En estos videos sobre Deep Dream, verás cómo alucinantes imágenes puede crear.

Eso es todo! Me sorprendió mucho cuando vi la primera fotografía de un agujero negro, e inmediatamente escribí este pequeño artículo. La información que contiene puede no ser tan útil, pero las imágenes creadas durante su escritura y mostradas arriba valen la pena. ¡Disfruta las fotos!

Escribe en los comentarios cómo obtienes el material. Estamos esperando a todos en la puerta abierta del curso "Redes neuronales en Python" .