Was das neuronale Netz auf dem ersten Foto eines Schwarzen Lochs sah

Freunde, viele erinnern sich wahrscheinlich an die Bilder des Schwarzen Lochs, die im April dieses Jahres alle schockierten. Wir haben sehr interessantes Material gefunden, in dem wir darüber sprechen werden, was Algorithmen für künstliche Intelligenz über das Bild eines Schwarzen Lochs „denken“. Durch die Übersetzung dieses Materials setzen wir eine Reihe von Veröffentlichungen fort, die dem Start des Kurses Python Neural Networks gewidmet sind . Wir warnen Sie, dass das Material eher unterhaltsam als informativ war, aber diese Bilder sind definitiv sehenswert. Lass uns gehen.



Am 11. April gelang Wissenschaftlern und Ingenieuren des Teams des Event Horizon-Teleskops ein echter Durchbruch beim Verständnis der Prozesse im Weltraum. Sie präsentierten das erste Bild (Foto) eines Schwarzen Lochs. Dies stärkte Einsteins allgemeine Relativitätstheorie weiter, nämlich die Hypothese, wonach "massive Objekte Raum-Zeit-Verzerrungen verursachen, die sich in Form von Gravitationsänderungen widerspiegeln".

Nun, ich bin kein Physiker oder Astronom, um zu verstehen oder zu erklären, wie das funktioniert, aber ich bin wie Millionen von Menschen, die auf verschiedenen Gebieten arbeiten, fasziniert vom Weltraum und insbesondere vom Phänomen des Schwarzen Lochs. Das erste Bild eines Schwarzen Lochs löste weltweit eine Welle der Freude aus. Ich bin ein Spezialist für tiefes Lernen, der hauptsächlich mit Faltungs-Neuronalen Netzen arbeitet, und es wurde für mich interessant, dass Algorithmen für künstliche Intelligenz über das Bild eines Schwarzen Lochs „nachdenken“. Darüber werden wir im Artikel sprechen.

Dieser Auszug aus der Epoch Times beschreibt das Schwarze Loch wie folgt: „Schwarze Löcher bestehen aus„ viel Materie auf sehr kleinem Raum “, hauptsächlich aus„ den Überresten eines großen Sterns, der während einer Supernova-Explosion gestorben ist “. Schwarze Löcher haben ein so starkes Gravitationsfeld, dass selbst Licht nicht entweichen kann. Das resultierende Bild des Schwarzen Lochs M87 ist unten dargestellt. Dieses Phänomen wird in dem Artikel „Wie man das Bild des Schwarzen Lochs nach Ansicht von 2 Astrophysikern versteht“ gut erklärt .


Schwarzes Loch - M87 - Event Horizon Telescope



Verschiedene Bereiche eines Schwarzen Lochs. Screenshot von Vox Video - Warum dieses Schwarzlochfoto so eine große Sache ist

1. Was CCN im Bild eines Schwarzen Lochs sieht

CCN (Convolution Neural Network) - Faltungs-Neuronale Netze - eine Klasse von Deep-Learning-Algorithmen, die bei der Erkennung realer Objekte äußerst effektiv sind. CCNs sind die besten neuronalen Netze zum Interpretieren und Erkennen von Bildern. Solche neuronalen Netze werden auf einer Million Bildern trainiert und trainiert, um ungefähr 1000 verschiedene Objekte der umgebenden Welt zu erkennen. Ich dachte darüber nach, zwei trainierten neuronalen Faltungsnetzen das Bild eines Schwarzen Lochs zu zeigen und zu sehen, wie sie es erkennen, welches Objekt der Welt um es herum wie ein Schwarzes Loch aussieht. Dies ist keine kluge Idee, da das Bild eines Schwarzen Lochs durch Kombinieren verschiedener vom Weltraum empfangener Signale mit speziellen Geräten erzeugt wurde, aber ich wollte nur wissen, wie das Bild ohne zusätzliche Informationen über die Signale interpretiert werden würde.


VGG-16 Neuronale Netzprognose - Match


VGG-19 Neuronale Netzprognose - Match


Neuronale Netzprognose ResNet-50 - Kerze

Wie wir in den obigen Bildern sehen, sehen trainiertes VGG-16 und VGG-19 ein Schwarzes Loch als Übereinstimmung, und ResNet-50 hält es für eine Kerze. Wenn wir eine Analogie zu diesen Objekten ziehen, werden wir verstehen, dass dies sinnvoll ist, da sowohl das brennende Streichholz als auch die Kerze ein dunkles Zentrum haben, das von dichtem hellgelbem Licht umgeben ist.

2. Welche CCN-Zeichen werden aus dem Bild eines Schwarzen Lochs extrahiert?

Ich habe noch eine Sache gemacht und mir vorgestellt, was die VGG-16-Zwischenschichten erzeugen. Deep-Learning-Netzwerke werden als Deep bezeichnet, da sie eine bestimmte Anzahl von Ebenen aufweisen und jede von ihnen die Darstellung und Eigenschaften des Bildes am Eingang verarbeitet. Mal sehen, was die verschiedenen Schichten des Netzwerks aus dem eingehenden Bild lernen. Das Ergebnis war ziemlich schön.


64 Merkmalskarten der ersten Faltungsschicht VGG-16

Wenn Sie genauer hinschauen, werden Sie feststellen, dass ein kleiner heller Bereich ein starkes Zeichen ist und nach dem Durchlaufen der meisten Filter absorbiert wird. Einige interessante Filterausgaben werden unten gezeigt und sie sehen bereits wirklich wie eine Art Himmelsobjekt aus.


4 von 64 Merkmalskarten der ersten Faltungsschicht


64 Merkmalskarten der zweiten Faltungsschicht VGG-16

Vergrößern Sie einige interessante Feature-Maps der zweiten Schicht des neuronalen Netzwerks.


6 von 64 Merkmalskarten der zweiten Faltungsschicht

Jetzt werden wir noch tiefer gehen und die dritte Faltungsschicht betrachten.


128 Merkmalskarten der dritten Faltungsschicht VGG-16

Nach der Annäherung finden wir ein bekanntes Muster.


8 der oben auf der dritten Ebene dargestellten Feature-Maps

Wenn wir tiefer gehen, bekommen wir so etwas.


6 von 128 Feature-Karten mit 4 Faltungsschichten VGG-16

Wenn wir tiefer gehen, erhalten wir abstrakte Informationen auf höherer Ebene, und wenn wir die 7., 8. und 10. Schicht der Faltung visualisieren, sehen wir nur Informationen auf höherer Ebene.


Feature Map der 7. Faltungsschicht

Wie wir sehen können, sind viele der Feature-Maps dunkel und lernen nur die spezifischen High-Level-Features, die zum Erkennen dieser Klasse erforderlich sind. In tieferen Schichten werden sie deutlicher. Jetzt zoomen wir hinein und schauen uns einige Filter an.


6 Funktionskarten

Betrachten Sie nun 512 Feature-Karten der 10. Faltungsschicht.


Feature-Karten 10 Faltungsschicht.

Jetzt sehen Sie, dass in den meisten empfangenen Feature-Maps nur der Bildbereich als Feature akzeptiert wird. Dies sind hochrangige Zeichen, die für Neuronen sichtbar sind. Schauen wir uns einige der obigen Feature-Maps genauer an.


Einige der Feature-Karten sind 10 Faltungsstufen, die vergrößert wurden

Nachdem wir gesehen haben, dass CCN versucht, sich von einem Schwarzlochbild zu isolieren, werden wir versuchen, dieses Bild an andere gängige Algorithmen für neuronale Netze wie Neural Style Transfer und DeepDream weiterzugeben.

3. Wir versuchen Neural Style Transfer und Deep Dream am Bild eines Schwarzen Lochs

Die Übertragung des neuronalen Stils ist ein intelligentes neuronales Netzwerk, das einem anderen Quellbild den „Stil“ eines Bildes verleiht und letztendlich ein künstlerisches Bild erzeugt. Wenn Sie immer noch nicht verstehen, erklären die folgenden Bilder das Konzept. Ich habe die Website deepdreamgenerator.com verwendet , um verschiedene künstlerische Bilder aus dem Originalbild des Schwarzen Lochs zu erstellen. Die Bilder waren ziemlich interessant.


Übertragungsstil. Mit deepdreamgenerator.com erzeugte Bilder

DeepDream ist ein Computer-Vision-Programm des Google-Ingenieurs Alexander Mordvintsev, das mithilfe eines Faltungs-Neuronalen Netzwerks mithilfe eines algorithmischen Para-Idols Muster in Bildern sucht und verbessert und so aus absichtlich verarbeiteten Bildern ein halluzinogenes Bild erstellt.


Tiefer Traum Mit deepdreamgenerator.com erzeugte Bilder

In diesen Videos über Deep Dream werden Sie sehen, wie halluzinierende Bilder sie erstellen kann.

Das ist alles! Ich war sehr schockiert, als ich das erste Foto eines Schwarzen Lochs sah und schrieb sofort diesen kleinen Artikel. Die darin enthaltenen Informationen sind möglicherweise nicht so nützlich, aber die Bilder, die während des Schreibens erstellt und oben gezeigt wurden, sind es absolut wert. Viel Spaß mit den Fotos!

Schreiben Sie in die Kommentare, wie Sie das Material erhalten. Wir warten auf alle an der offenen Tür des Kurses "Neuronale Netze in Python".