Las lentes gravitacionales son una herramienta importante para los astrónomos que buscan estudiar los objetos más distantes del Universo. Esta técnica implica el uso de un grupo masivo de materia (generalmente una galaxia o grupo) entre una fuente de luz distante y un observador para ver mejor la luz proveniente de esa fuente. En un efecto que fue predicho por la Teoría de la Relatividad General de Einstein, esto permite a los astrónomos ver objetos que de otro modo podrían estar ocultos.
Recientemente, un grupo de astrónomos europeos desarrolló un método para encontrar lentes gravitacionales en enormes pilas de datos. Utilizando los mismos algoritmos de inteligencia artificial que Google, Facebook y Tesla han utilizado para sus propósitos, pudieron encontrar 56 nuevos candidatos de lentes gravitacionales de una encuesta astronómica masiva. Este método podría eliminar la necesidad de que los astrónomos realicen inspecciones visuales de imágenes astronómicas.
El estudio que describe su investigación, titulado "Encontrar lentes gravitacionales fuertes en la Encuesta de grados de Kilo con redes neuronales convolucionales", apareció recientemente en el Avisos mensuales de la Royal Astronomical Society. Dirigido por Carlo Enrico Petrillo, del Instituto Astronómico Kapteyn, el equipo también incluyó miembros del Instituto Nacional de Astrofísica (INAF), el Instituto Argelander de Astronomía (AIfA) y la Universidad de Nápoles.
Si bien es útil para los astrónomos, las lentes gravitacionales son difíciles de encontrar. Ordinariamente, esto consistiría en astrónomos clasificando miles de imágenes tomadas por telescopios y observatorios. Si bien las instituciones académicas pueden confiar en astrónomos aficionados y astrónomos ciudadanos como nunca antes, no hay forma de mantenerse al día con millones de imágenes que los instrumentos de todo el mundo capturan regularmente.
Para abordar esto, el Dr. Petrillo y sus colegas recurrieron a lo que se conoce como "Redes Neuronales Convulgacionales" (CNN), un tipo de algoritmo de aprendizaje automático que extrae datos para patrones específicos. Mientras que Google usó estas mismas redes neuronales para ganar una partida de Go contra el campeón mundial, Facebook las usa para reconocer cosas en imágenes publicadas en su sitio, y Tesla las ha estado usando para desarrollar autos autónomos.
Como Petrillo explicó en un artículo de prensa reciente de la Escuela de Investigación de Astronomía de los Países Bajos:
“Esta es la primera vez que se utiliza una red neuronal convolucional para encontrar objetos peculiares en un estudio astronómico. Creo que se convertirá en la norma ya que los futuros estudios astronómicos producirán una enorme cantidad de datos que será necesario inspeccionar. No tenemos suficientes astrónomos para hacer frente a esto ".
Luego, el equipo aplicó estas redes neuronales a los datos derivados de la Encuesta de Kilo-Grado (KiDS). Este proyecto se basa en el VLT Survey Telescope (VST) en el Observatorio Paranal de ESO en Chile para mapear 1500 grados cuadrados del cielo nocturno del sur. Este conjunto de datos consistió en 21,789 imágenes en color recopiladas por OmegaCAM del VST, un instrumento multibanda desarrollado por un consorcio de científicos europeos en conjunto con el ESO.
Todas estas imágenes contenían ejemplos de galaxias rojas luminosas (LRG), tres de las cuales se sabe que son lentes gravitacionales. Inicialmente, la red neuronal encontró 761 candidatos de lentes gravitacionales dentro de esta muestra. Después de inspeccionar visualmente a estos candidatos, el equipo pudo reducir la lista a 56 lentes. Estos aún deben ser confirmados por los telescopios espaciales en el futuro, pero los resultados fueron bastante positivos.
Como indican en su estudio, dicha red neuronal, cuando se aplica a conjuntos de datos más grandes, podría revelar cientos o incluso miles de lentes nuevas:
“Una estimación conservadora basada en nuestros resultados muestra que con nuestro método propuesto debería ser posible encontrar? 100 lentes masivas de galaxia LRG en z ~> 0.4 en KiDS cuando se complete. En el escenario más optimista, este número puede crecer considerablemente (hasta un máximo de 2400 lentes), al ampliar la selección de la magnitud del color y entrenar a la CNN para reconocer sistemas de lentes de separación de imagen más pequeños ".
Además, la red neuronal redescubrió dos de las lentes conocidas en el conjunto de datos, pero perdió la tercera. Sin embargo, esto se debió al hecho de que esta lente era particularmente pequeña y la red neuronal no estaba entrenada para detectar lentes de este tamaño. En el futuro, los investigadores esperan corregir esto entrenando su red neuronal para notar lentes más pequeños y rechazar falsos positivos.
Pero, por supuesto, el objetivo final aquí es eliminar por completo la necesidad de una inspección visual. Al hacerlo, los astrónomos se liberarían de tener que hacer un trabajo duro y podrían dedicar más tiempo al proceso de descubrimiento. De la misma manera, los algoritmos de aprendizaje automático podrían usarse para buscar a través de datos astronómicos señales de ondas gravitacionales y exoplanetas.
Al igual que otras industrias buscan dar sentido a los terabytes del consumidor u otros tipos de "big data", la astrofísica de campo y la cosmología podrían confiar en la inteligencia artificial para encontrar los patrones en un Universo de datos en bruto. Y es probable que la recompensa sea nada menos que un proceso acelerado de descubrimiento.
