Wie wir der KI beigebracht haben, Galaxienhaufen zu erkennen

Kürzlich habe ich zusammen mit einem Team von Freunden und Astrophysikern ein Projekt abgeschlossen, dessen Ziel es war, nach fernen Galaxien und ihren Clustern zu suchen, die im Gefüge des Weltraums verborgen sind. Jetzt werde ich Ihnen mitteilen, was wir als Ergebnis dieser schwierigen Arbeit getan haben.

Datenanalyse

Galaxien und ihre Cluster sind großräumige Objekte des sichtbaren Teils des Universums. Die ihnen gewidmeten Forschungsergebnisse liefern wertvolle Informationen zur Erweiterung des Wissensgebiets über verschiedene großräumige Strukturen und ermöglichen es uns, die Merkmale der Bildung der modernen Form des Universums zu identifizieren. Ich werde dies in den folgenden Artikeln genauer beschreiben (wenn Sie interessiert sind).

Um die gigantische Menge an Informationen zu analysieren, die von Teleskopen kommen, selbst wenn Galaxien vorhanden sind, ist ein automatischer Mechanismus (oder mehr Astronomen) erforderlich. Sie können ein Programm schreiben, das diese Aufgabe ausführt. Aber wie kann man ihr beibringen, Galaxien und ihre Cluster von anderen Objekten im Weltraum zu unterscheiden?

Wir hatten Glück, im Weltraum gab es einen Ort für "Magie" und speziell für die Wirkung von Sunyaev-Zeldovich, die im letzten Jahrhundert entdeckt wurde.

Der Effekt ist wie folgt: Anfangs sind die CMB-Photonen nicht energetisch wie ein Faultier auf einem Eukalyptuszweig, aber nach Wechselwirkung mit Elektronen, die eine große Energiemenge im Gas haben, steigt ihre Energie aufgrund der Temperatur des Gases im Cluster, das durch adiabatische Kompression oder unter Einwirkung von Kräften erwärmt wird Schwerkraft oder bei der Kollision von Galaxien und Wolken intergalaktischer Materie.


Abb. 1. Die Wirkung von Sunyaev - Zeldovich.

Durch Erhöhen der Energie erhöht das Photon seine Frequenz und bewegt sich vom Millimeterbereich zum Submillimeterbereich. In diesem Moment reichen in Richtung von Galaxienhaufen Photonen von CMB mit einer gegebenen Temperatur im Millimeterbereich nicht aus, daher gibt es in Richtung von Galaxienhaufen einen Abfall in Bezug auf den durchschnittlichen Hintergrund. Im Submillimeterbereich hingegen gibt es einen Überschuss an Photonen und einen lokalen Peak.

Dies manifestiert sich wie folgt: Der Effekt des kosmischen Mikrowellenhintergrunds (d. H. Gleichmäßiges Füllen des Universums mit Wärmestrahlung, im Folgenden als CMB bezeichnet), der entlang der Linie von Galaxienhaufen beobachtet wird, sieht bei niedrigen Frequenzen schwächer und bei hohen Frequenzen heller aus.

So wird unter dem Einfluss des Effekts der Hintergrund in ein negatives Signal für Frequenzen unterhalb der Schwelle (Abb. 2, Bild links) und ein positives Signal für Frequenzen oberhalb der Schwelle ohne Signal bei einer Frequenz von 217 GHz (Abb. 2, Bild rechts) umgewandelt. Dieses Merkmal des Effekts ermöglicht es Astronomen, Cluster von Galaxien und Superclustern im Mikrowellenbereich des Spektrums zu finden.
Was ist keine Magie?


Abb. 2. Die Wirkung des Sunyaev-Zeldovich-Effekts auf die sichtbaren Eigenschaften von Galaxienhaufen

Experimentelle Beweise für die Existenz des Effekts wurden kürzlich erhalten, als Astrophysiker das elektromagnetische Spektrum mit dem Planck-Teleskop untersuchten und darauf aufmerksam machten, dass bei einigen Frequenzen die beobachtete Region des Himmels „leer“ zu sein scheint und bei anderen ganze Galaxienhaufen darauf entstehen.


Abb. 3. Dies ist der erste Supercluster, der mit dem Sunyaev-Zeldovich-Effekt entdeckt wurde. Links ist das von Planck erhaltene Bild. Das rechte Feld zeigt das mit dem XMM-Newton Observatory aufgenommene Bild.

Es ist alles großartig, aber was haben wir getan?

Sie wissen, Situationen entstehen oft, wenn Sie sich entscheiden, etwas zu tun, nur weil es Ihnen gefällt, obwohl Sie davon ausgehen, dass es in Zukunft nicht mehr benötigt wird. Es war die gleiche Situation.

Als der Text für den Hauptteil der Arbeit geschrieben wurde und nur sehr wenig Zeit für die Verarbeitung der Ergebnisse blieb und die Frist etwas weniger als eine Woche betrug, saß ich vor dem Monitor und wusste nicht, was ich tun sollte. Manchmal mag ich solche Situationen sogar, weil ich nur in ihnen das Problem der optimalen Strategie lösen muss. Ich verstand, dass ich eine große Datenmenge (etwa 10.000 Bilder) physisch nicht erkennen konnte, und hinter meinen Schultern vergingen nur drei Kurse, von denen einer mir nur half. Der Kurs ist der Arbeit mit Inception gewidmet, dem Faltungsnetzwerk von Google, das ich einmal "zur Selbstentwicklung" durchlaufen habe (Link am Ende des Artikels).

Für die Arbeit mit einem neuronalen Netzwerk wurden die Anaconda 2-Software, die Programmiersprache Python 2.7, die Keras-Bibliothek für die Arbeit mit maschinellem Lernen und Big Data sowie Theano für die Arbeit mit numerischen Daten verwendet.

Ohne den Rat von Menschen, die sich seit zwei Jahren mit maschinellem Lernen beschäftigen, wäre dies natürlich nicht möglich. Daher hatten wir nach vier Tagen ein Programm für die Arbeit mit tief lernenden neuronalen Netzen.

Ein Netzwerk besteht aus Sequenzen von Faltungsschichten (CL) und Vereinigungsschichten (PL). Mit Faltungsebenen können Sie mehrere Feature-Cards aus Eingabebildern extrahieren, und Union-Layer führen ein bestimmtes Teilmuster für Funktionskarten aus.

Diese Schichtenfolgen entsprechen dem Merkmalsextraktionsschritt. Um Bilder zu klassifizieren, ist der Ausgangspegel eine vollständig verbundene Ebene, wobei die Anzahl der Einheiten der Anzahl der Klassen entspricht. Das Netzwerk wird gemäß der Grundarchitektur mit zwei Faltungsstufen (eine spezielle Art der integralen Transformation) und einer Unterabtastung aufgebaut, die mit dem Klassifizierer verbunden sind, wie in der Abbildung gezeigt.


Abb. 4. Neuronale Netzwerkarchitektur

Das Netzwerktraining fand mit dem Lehrer statt. Fotokataloge für das Netzwerktraining und die weitere Erkennung von Galaxienhaufen werden mit GLESP erstellt, einem Pixelisierungsschema für Karten des kosmischen Mikrowellenhintergrunds, das eine strikte orthogonale Zerlegung der Anzeige erzeugt. Zur Erstellung eines Trainingskatalogs für neuronale Netze wurden Daten aus der Mission des Planck-Teleskops verwendet, deren Zweck darin bestand, mithilfe des Sunyaev-Zel'dovich-Effekts nach Galaxien und ihren Clustern zu suchen. Die Missionsdaten werden in Form von 6.135 Bildern dargestellt, die mit Frequenzen von 100, 143, 217, 353 und 545 GHz aufgenommen wurden.

Einige der Ergebnisse des Netzwerks sind in Abbildung 5 dargestellt. Wir haben zwei Koeffizienten (0,35 und 0,87). Und wenn der Koeffizient mehr als 0,5 beträgt, befindet sich der Galaxienhaufen auf dem Bild.
Und siehe da, wir haben einen Cluster gefunden!


Abb. 5. Netzwerkleistung

Das Programm wurde auf einen Katalog von Bildern verschiedener Teile des Himmels angewendet und analysiert sie derzeit auf das Vorhandensein von Galaxien und ihren Clustern.

In Zukunft werden wir das Prinzip des Einflusses des Sunyaev-Zeldovich-Effekts auf die sichtbaren Eigenschaften von Großobjekten im Universum genauer untersuchen und einen universellen analytischen Algorithmus für eine detailliertere Untersuchung von Weltraumobjekten erstellen.

Ich hoffe wirklich, dass dieser kurze Artikel Sie mindestens eine Minute in die wunderbare Welt des Weltraums führt. Wir sehen uns in den folgenden Artikeln!

Nützliche Links:

1. Einführungskurs
2. O. V. Verkhodanov, N. V. Verkhodanova, O. S. Ulakhovich et al., Astrophysical Bulletin, Band 73, 1, 2018
3. Ostriker, Jeremiah P., Ethan T., Nature, 322 (6082): 804, 1986
4. Passmoor S., Cress C., MNRAS, 397 (1), 2009
5. Planck-Zusammenarbeit, Astron. Astrophys. 571, A29, 2014