Гравитационное линзирование — это концепция, при которой темная материя искажает пространство, раскрывая свое присутствие посредством взаимодействия со светом. Ожидается, что Euclid также обнаружит более 170 000 сильных особенностей гравитационного линзирования. Ожидается, что ИИ поможет достичь этой цели, но машинное обучение все еще находится в зачаточном состоянии, поэтому людям, скорее всего, придется подтверждать каждого кандидата на роль линзы.
Гравитационное линзирование было первоначально предсказано общей теорией относительности Эйнштейна. Теория предполагала, что массивный объект, такой как галактика или даже скопление галактик, будет деформировать и искривлять пространство, тем самым увеличивая свет от более удаленных объектов. Свет распространяется в пространстве по прямой линии, но искривляет пространство, например, в гравитационном поле, и свет, кажется, тоже искривляется. Эффект линзирования может привести к различным визуальным явлениям, таким как дуги, множественные линзированные изображения или даже полное кольцо вокруг объекта, которое стало известно как кольцо Эйнштейна.
Наблюдение за гравитационным линзированием дает прекрасное представление о распределении материи во Вселенной. Одним из зондов, который исследует и изучает это явление, является миссия Euclid. Она была запущена Европейским космическим агентством в 2023 году для изучения явлений линзирования. Изучение линз и анализ полученных изображений в миллиардах видимых галактик позволяет построить подробную карту, раскрывающую распределение как темной материи, так и темной энергии. Это поможет нам понять, как темная материя формирует структуры во Вселенной и как темная энергия стимулирует ускоренное расширение Вселенной.
Прогнозируется, что исследование обнаружит 170 000 сильных гравитационных линз (сильная гравитационная линза создает очень сильное искаженное изображение, в то время как слабые события гораздо более тонкие). Задача состоит в выявлении особенностей линзирования, что является сложной задачей для людей, чтобы обработать такой объем данных.
Алгоритмы машинного обучения использовались ранее для обнаружения сильных линз, включая использование сверточных нейронных сетей (CNN). Эти сети часто используются в анализе изображений и состоят из нескольких слоев. Изображение будет использоваться в качестве входных данных, оно будет анализироваться через несколько различных слоев, но должно достичь определенного порога, прежде чем будет передано на следующий. В конечном итоге, если оно успешно пройдет через все слои анализа, должна быть идентифицирована сильная гравитационная линза.
Группа исследователей под руководством Р. Пирса-Кейси из Открытого университета в Великобритании определила, что технология машинного обучения может давать ряд ложных срабатываний, все еще требующих визуального осмотра результатов человеком. Их исследование направлено на выявление более качественной модели CNN и надежной отправной точки для улучшения вывода процесса обнаружения на основе CNN. Для проверки своего подхода они взяли изображения из прогона Euclid Early Release Observation поля Персей и применили свой анализ CNN. Результаты были многообещающими, однако при применении к реальным данным Euclid EWS результаты все еще требовали человеческой проверки.
Команда сейчас изучает, может ли потребоваться вторая стадия фильтрации перед анализом CNN для точной настройки идентификации сильных линз. Они приходят к выводу, что в настоящее время нет альтернативы старому доброму человеческому глазному яблоку для подтверждения существования сильных и особенно слабых гравитационных линз, чтобы искоренить ложные срабатывания машинного обучения.
Источник: Евклид – Поиски сильных гравитационных линз с использованием сверточных нейронных сетей в ранних выпусках наблюдений поля Персея
Дополнительные материалы
