Crediti: Greg Stewart/SLAC National Accelerator Laboratory
Un’intelligenza artificiale che ci aiuti a comprendere l’universo? Sembra uno scenario da fantascienza, ma è oggi una realtà. Come viene illustrato in uno studio pubblicato su Nature, un team di ricercatori del Kavli Institute for Particle Astrophysics and Cosmology ha utilizzato delle reti neurali per l’analisi di immagini catturate grazie al lensing gravitazionale, riducendo drasticamente il tempo necessario per estrapolare e analizzare i dati presenti in queste immagini: da diverse settimane a pochi secondi.
Predetto dalla teoria della relatività generale di Einstein, il fenomeno del lensing gravitazionale – la distorsione della luce che ci raggiunge da oggetti lontani laddove questa passi in prossimità di un secondo oggetto molto massiccio (che funge, appunto, da lente) – è uno strumento fondamentale per l’astronomia contemporanea, permettendoci di osservare con maggior precisione galassie estremamente lontane e di trarre informazioni riguardo alle strutture la cui gravità produce la deformazione della luce, come ad esempio la distribuzione della massa, l’eventuale presenza di materia oscura e gli effetti gravitazionali dell’energia oscura.
Ma queste immagini hanno bisogno di essere analizzate con attenzione: un processo che, finora, ha significato compararle con un gran numero di simulazioni realizzate con modelli matematici al computer, per paragonare i parametri della simulazione con quelli dell’oggetto reale. Un tipo di analisi che può prendere settimane, o addirittura mesi, di lavoro. Ed è per questo motivo che i ricercatori del Kavli Institute hanno pensato di applicare la tecnologia delle reti neurali all’analisi di queste immagini.
Alcune delle immagini di galassie distorte dal lensing gravitazionale – provenienti dallo Hubble Space Telescope – utlizzate dai ricercatori per addestrare le reti neurali. Crediti: Hezaveh et al.
Le reti neurali sono un tipo di intelligenza artificiale modellato sulla struttura dei nostri cervelli: una rete di neuroni, riprodotti artificialmente da unità computazionali legate assieme in una struttura capace di elaborare degli input esterni e, elemento fondamentale, di “imparare”: ovvero di riconoscere tipi di input simili e reagire di conseguenza. Phil Marshall, un co-autore dello studio, spiega come «questo è paragonabile al modo in cui i bambini imparano a riconoscere oggetti. Non gli si dice esattamente cos’è un cane, ma gli si mostrano tante immagini di cani diversi». L’intelligenza artificiale basata sulle reti neurali rende infatti possibile lo sviluppo di software per il riconoscimento e classificazione di immagini, per la lettura di testi… e da oggi anche per l’interpretazione di immagini di lensing gravitazionale.
Laurence Perreault Levasseur, un altro co-autore dello studio, spiega come «analisi che in genere durano settimane o mesi, che richiedono l’intervento di esperti e che sono computazionalmente intensive possono ore essere compiute da reti neurali in una frazione di secondo, in maniera del tutti automatica e, in linea di principio, con il processore di uno smartphone».
Capaci di “imparare”, le reti neurali hanno bisogno di essere “addestrate”: a questo fine, i ricercatori hanno mostrato loro mezzo milione di immagini di galassie distorte dal lensing gravitazionale. In seguito a questo addestramento, le reti neurali si sono dimostrate capaci di analizzare immagini reali con una rapidità sorprendente. L’autore principale dello studio, Yashar Hezaveh, osserva che «le reti neurali da noi testate – tre pubbliche e una che abbiamo sviluppato noi stessi – sono state in grado di determinare le proprietà di ciascuna lente, inclusa la distribuzione della sua massa e di quanto l’immagine della galassia di sfondo sia stata ingrandita».
Questo sviluppo potrebbe rappresentare una vera rivoluzione per l’analisi dei dati astronomici, considerata l’enorme – e in costante crescita – quantità di immagini di lensing gravitazionale raccolte da osservatori in tutto il mondo, permettendo ai ricercatori di risparmiare moltissimo tempo, da dedicare ad altre attività.
Per saperne di più:
- Leggi su Nature l’articolo “Fast automated analysis of strong gravitational lenses with convolutional neural networks“, di Yashar D. Hezaveh, Laurence Perreault Levasseur e Philip J. Marshall.