Amigos, muitos provavelmente se lembram das imagens do buraco negro que chocou a todos em abril deste ano. Encontramos material muito interessante no qual falaremos sobre o que os algoritmos de inteligência artificial “pensam” sobre a imagem de um buraco negro. Ao traduzir este material, continuamos uma série de publicações dedicadas ao lançamento do curso
Python Neural Networks . Avisamos que o material acabou sendo mais divertido do que informativo, mas vale a pena ver essas imagens. Vamos lá
Em 11 de abril, cientistas e engenheiros do telescópio Team of the Event Horizon fizeram um grande avanço na compreensão dos processos que ocorrem no espaço sideral. Eles apresentaram a primeira imagem (fotografia) de um buraco negro. Isso fortaleceu ainda mais a teoria geral da relatividade de Einstein, a saber, a hipótese segundo a qual "objetos maciços causam distorção no espaço-tempo, o que se reflete na forma de mudanças gravitacionais".
Bem, eu não sou físico ou astrônomo para entender ou explicar como isso funciona, mas eu, como milhões de pessoas trabalhando em vários campos, sou fascinado pelo espaço e principalmente pelo fenômeno do buraco negro. A primeira imagem de um buraco negro causou uma onda de prazer em todo o mundo. Sou especialista em aprendizado profundo, que trabalha principalmente com redes neurais convolucionais, e ficou interessante para mim que os algoritmos de inteligência artificial “pensam” na imagem de um buraco negro. É sobre isso que falaremos no artigo.
Este trecho do
Epoch Times descreve o buraco negro da seguinte forma: “Os buracos negros são compostos de“ muita matéria acumulada em um espaço muito pequeno ”, formada principalmente pelos“ restos de uma grande estrela que morreu durante uma explosão de supernova ”. Os buracos negros têm um campo gravitacional tão forte que nem a luz pode escapar dela. A imagem resultante do buraco negro M87 é mostrada abaixo. Esse fenômeno é bem explicado no artigo
“Como entender a imagem do buraco negro, de acordo com 2 astrofísicos” .
Buraco Negro - M87 - Telescópio Horizonte de Eventos
Áreas diferentes de um buraco negro. Captura de tela do vídeo vox - Por que essa foto do buraco negro é tão importante1. O que a CCN vê na imagem de um buraco negroCCN (Convolution Neural Network) - redes neurais convolucionais - uma classe de algoritmos de aprendizado profundo extremamente eficazes no reconhecimento de objetos do mundo real. Os CCNs são as melhores redes neurais para interpretar e reconhecer imagens. Essas redes neurais são treinadas em um milhão de fotos e treinadas para reconhecer cerca de 1000 objetos diferentes do mundo circundante. Pensei em mostrar a imagem de um buraco negro a duas redes neurais convolucionais treinadas e ver como elas o reconhecem, que objeto do mundo ao seu redor se parece com um buraco negro. Essa não é uma idéia sábia, já que a imagem de um buraco negro foi gerada pela combinação de vários sinais recebidos do espaço usando equipamentos especiais, mas eu só queria saber como a imagem seria interpretada sem nenhuma informação adicional sobre os sinais.
Previsão de rede neural VGG-16 - Correspondência
Previsão da rede neural VGG-19 - Correspondência
Previsão de rede neural ResNet-50 - CandleComo podemos ver nas imagens acima, os treinados VGG-16 e VGG-19 veem um buraco negro como um fósforo, e o ResNet-50 pensa que é uma vela. Se fizermos uma analogia com esses objetos, entenderemos que faz algum sentido, pois tanto o fósforo aceso quanto a vela têm um centro escuro cercado por densa luz amarela brilhante.
2. Quais são os sinais extraídos pela CCN da imagem de um buraco negroFiz mais uma coisa, visualizei o que as camadas intermediárias do VGG-16 geram. As redes de aprendizado profundo são chamadas de profundas, porque possuem um certo número de camadas, e cada uma delas processa a representação e as características da imagem na entrada. Vamos ver o que as diferentes camadas da rede aprendem com a imagem recebida. O resultado foi muito bonito.
64 cartões de recursos da primeira camada convolucional VGG-16Se você olhar mais de perto, verá que uma pequena área clara é um sinal forte e é absorvida após passar pela maioria dos filtros. Alguns filtros interessantes são mostrados abaixo, e eles realmente parecem algum tipo de objeto celeste.
4 de 64 cartões de recursos da primeira camada convolucional
64 cartões de recursos da segunda camada convolucional VGG-16Aumente o zoom em alguns mapas interessantes da segunda camada da rede neural.
6 de 64 cartões de recursos da segunda camada convolucionalAgora vamos aprofundar ainda mais e examinar a terceira camada convolucional.
128 cartões de recursos da terceira camada convolucional VGG-16Depois de nos aproximarmos, encontramos um padrão familiar.
8 dos mapas de recursos apresentados acima na terceira camadaIndo mais fundo, temos algo parecido com isto.
6 de 128 cartões de recursos com 4 camadas convolucionais VGG-16Aprofundando, obtemos informações abstratas de nível superior e, quando visualizamos as 7ª, 8ª e 10ª camadas da convolução, veremos apenas informações de alto nível.
Mapa de características da 7ª camada convolucionalComo podemos ver, muitos dos mapas de recursos são escuros e aprendem apenas os recursos específicos de alto nível necessários para reconhecer esta classe. Em camadas mais profundas, elas se tornam mais visíveis. Agora aumentamos o zoom e observamos alguns filtros.
6 cartões de recursosAgora considere 512 cartões de recursos da 10ª camada convolucional.
Cartões de recursos 10 camada convolucional.Agora você vê que na maioria dos mapas de recursos recebidos apenas a área da imagem é aceita como um recurso. Estes são sinais de alto nível que são visíveis aos neurônios. Vamos dar uma olhada em alguns dos mapas de recursos acima.
Algumas das placas de características têm 10 níveis convolucionais, aumentaram de tamanhoAgora que vimos que o CCN está tentando se isolar de uma imagem de buraco negro, vamos tentar passar essa imagem para outros algoritmos populares de redes neurais, como Transferência de Estilo Neural e DeepDream.
3. Tentamos a transferência de estilo neural e o sonho profundo na imagem de um buraco negroA transferência de estilo neural é uma rede neural inteligente que fornece o "estilo" de uma imagem para outra imagem de origem e, finalmente, cria uma imagem artística. Se você ainda não entende, as imagens abaixo explicam o conceito. Eu usei o site
deepdreamgenerator.com para criar várias imagens artísticas a partir da imagem original do buraco negro. As fotos ficaram bem interessantes.
Estilo de transmissão. Imagens geradas usando deepdreamgenerator.comO DeepDream é um programa de visão computacional criado pelo engenheiro do Google, Alexander Mordvintsev, que usa uma rede neural convolucional para pesquisar e melhorar padrões em imagens usando um para-ídolo algorítmico, criando assim uma imagem alucinógena a partir de imagens processadas intencionalmente.
Sonho profundo Imagens geradas usando deepdreamgenerator.comNestes vídeos sobre o Deep Dream, você verá como as imagens alucinantes que ela pode criar.
Isso é tudo! Fiquei extremamente chocado quando vi a primeira fotografia de um buraco negro e imediatamente escrevi este pequeno artigo. As informações contidas podem não ser tão úteis, mas as imagens criadas durante a sua escrita e mostradas acima valem completamente a pena. Aprecie as fotos!
Escreva nos comentários como você obtém o material. Estamos esperando por todos na
porta aberta do curso
"Redes Neurais em Python" .