MADRID, 31 Ago. (EUROPA PRESS) -
Las redes neuronales --una forma de inteligencia artificial-- pueden analizar con precisión lentes gravitacionales diez millones de veces más rápido que los métodos tradicionales.
Así dicen haberlo demostrado investigadores del National Accelerator Laboratory SLAC de Estados Unidos y la Universidad de Stanford. Estas complejas distorsiones en el espacio-tiempo permiten estudiar objetos cósmicos a gran distancia aprovechando la amplificación producida por otra estructura interpuesta.
"Los análisis que suelen tardar semanas o meses en completarse, que requieren la aportación de expertos y que son computacionalmente exigentes, pueden hacerse mediante redes neuronales en una fracción de segundo, de una manera totalmente automatizada y, en principio, en chip informático de un móvil", dice en un comunicado el investigador postdoctoral Laurence Perreault Levasseur, coautor de un estudio publicado este miércoles en 'Nature'.
El equipo del Instituto Kavli de Astrofísica y Cosmología de Partículas (KIPAC, por sus siglas en inglés), un instituto conjunto de SLAC y Stanford, utilizó redes neuronales para analizar imágenes de lentes gravitacionales fuertes, donde la imagen de una galaxia lejana se multiplica y distorsiona en arcos y arcos por la gravedad de un objeto masivo, como un grupo de galaxias, que está más cerca de la Tierra.
Las distorsiones proporcionan pistas importantes sobre cómo la masa se distribuye en el espacio y cómo esa distribución cambia con el tiempo, propiedades ligadas a la materia oscura invisible que constituye el 85 por ciento de toda la materia del universo y a la energía oscura que está acelerando la expansión del universo.
Hasta ahora, este tipo de análisis ha sido un proceso tedioso que implica comparar imágenes reales de lentes con un gran número de simulaciones por ordenador de modelos de lentes matemáticas, lo cual puede llevar semanas o meses para una sola lente. Pero con las redes neuronales, los investigadores pudieron hacer el mismo análisis en unos segundos, lo que demostraron usando imágenes reales del Telescopio Espacial Hubble de la NASA y simuladas.
Para capacitar las redes neuronales en lo que deben buscar, los científicos les mostraron alrededor de medio millón de imágenes simuladas de lentes gravitatorias durante aproximadamente un día. Una vez entrenadas, fueron capaces de analizar nuevas lentes casi instantáneamente con una precisión que era comparable a los métodos de análisis tradicionales.
En un artículo separado, presentado a 'The Astrophysical Journal Letters', el equipo informa sobre cómo estas redes también pueden determinar las incertidumbres de sus análisis. "Las redes neuronales que probamos --tres redes neuronales públicamente disponibles y una que desarrollamos-- fueron capaces de determinar las propiedades de cada lente, incluyendo cómo se distribuyó su masa y cuánto se magnificó la imagen de la galaxia de fondo", subraya el autor principal del estudio, Yashar Hezaveh, investigador postdoctoral del Hubble de la NASA en KIPAC.
LAS REDES NEURONALES ARTIFICIALES APRENDEN POR SÍ MISMAS QUÉ BUSCAR
Esto va mucho más allá de las aplicaciones recientes de las redes neuronales en astrofísica, que se limitaban a resolver problemas de clasificación, como determinar si una imagen muestra una lente gravitatoria o no. La capacidad de tamizar a través de grandes cantidades de datos y realizar análisis complejos muy rápidamente y de una manera totalmente automatizada podría transformar la astrofísica de una manera que es muy necesaria para futuros análisis del cielo que se verá más profundo en el universo --y producir más datos-- que nunca.
Por ejemplo, el telescopio sinóptico grande (LSST, por sus siglas en inglés), cuya cámara de 3,2 gigapíxeles está actualmente en construcción en SLAC, proporcionará vistas sin precedentes del universo y se espera que aumente el número de lentes gravitacionales fuertes conocidas de unos cientos a decenas de miles.
"No tendremos suficiente gente para analizar todos estos datos de manera oportuna con los métodos tradicionales --señala Perreault Levasseur--. Las redes neuronales nos ayudarán a identificar objetos interesantes y analizarlos rápidamente, lo que nos dará más tiempo para hacer las preguntas correctas sobre el universo".
Las redes neuronales se inspiran en la arquitectura del cerebro humano, en la que una densa red de neuronas procesa y analiza rápidamente la información. En la versión artificial, las "neuronas" son unidades computacionales únicas que están asociadas con los píxeles de la imagen que se está analizando.
Las neuronas se organizan en capas, hasta cientos de capas de profundidad. Cada capa busca características en la imagen y, una vez que la primera capa ha encontrado una cierta característica, transmite la información a la capa siguiente, que entonces busca otra característica dentro de esa característica, y así sucesivamente.
"Lo asombroso es que las redes neuronales aprenden por sí mismas qué características buscar", destaca el científico de KIPAC Phil Marshall, coautor del artículo. "Esto es comparable a la forma en que los niños pequeños aprenden a reconocer objetos", pone como ejemplo.
