Zaznavanje gravitacijsko lečenih galaksij je temelj sodobne kozmologije, saj astronomom omogoča kartiranje temne snovi in proučevanje oddaljenega vesolja z nevidnimi podrobnostmi. Ker pa se količina podatkov s teleskopa James Webb (JWST) povečuje, postaja tradicionalna metoda ročnega pregledovanja slik galaksij zelo zamudna. V projektu DARKLENS smo razvili novo metodo za gručenje lečenih slik istih galaksij, da bi ta proces avtomatizirali in zagotovili njegovo izvedljivost v obdobju hitro naraščajočega nabora podatkov.
Do gravitacijskega lečenja pride, ko masiven objekt v ospredju, kot je na primer jata galaksij, preusmeri svetlobo, ki jo oddaja galaksija v ozadju, kar pogosto ustvari več slik istega vira. Identifikacija lečenih slik je tradicionalno zamudna, saj zahteva več ur strokovnega pregledovanja izrezkov galaksij, ki so lečene okrog izbrane jate. Poleg tega se številne trenutne metode zanašajo na predhodne modele lečenja — napovedi, kje naj bi slike bile — kar lahko v končne rezultate vnese pristranskost. Naš cilj je bil razviti metodo, ki temelji izključno na obliki (morfologiji) in barvi galaksij, neodvisno od njihovih položajev ali porazdelitve mase jate.
Zaznavanje s pomočjo umetne inteligence
V sodelovanju s Fakulteto za matematiko in fiziko Univerze v Ljubljani (UL FMF) smo izurili konvolucijsko nevronsko mrežo (CNN) za preslikavo slik posameznih galaksij v visoko-domenzionalen vektorski prostor. Z uporabo kontrastnega učenja smo model naučili, da več slik iste galaksije preslika čim bližje skupaj, slike različnih galaksij pa čim dlje narazen. Z izurjenim modelom smo vse slike galaksij znotraj izbrane jate preslikali v vektorski prostor, upodobitve galaksij, ki so si v tem prostoru blizu, pa predstavljajo kandidate za gravitacijsko lečene objekte.
Prikaz napovedanih gruč Slika: Primeri napovedanih kandidatnih sistemov z več slikami. Tudi ko so prisotni drugi objekti, ti predizbori znatno skrajšajo čas, ki ga strokovnjaki potrebujejo za identifikacijo pravih sistemov.
Rezultati
Uporaba slik visoke ločljivosti (20 mili ločnih sekund) v štirih barvnih kanalih je za boljše rezultate pomembnejša kot uporaba celotnega nabora 10 filtrov pri nižji ločljivosti 40 mili ločnih sekund. To nakazuje, da je podrobna oblika galaksije za identifikacijo pogosto pomembnejša od njene spektralne/barvne sestave.
Metodo smo kvalitativno testirali na validacijski jati MACS J1149+2223. Metoda je dosegla natančnost 50%, kar pomeni da je izmed 42 označenih lečenih objektov v jati uspešno združila vsaj dve sliki za 21 izmed njih. To ni dovolj natančno, da bi povsem nadomestila strokovnjaka, je pa občutno pospešila iskanje lečenih objektov. V 20-minutnem pregledu gruč, ki jih je napovedala naša metoda, smo uspešno našli 9 gravitacijsko lečenih galaksij. Iskanje brez pomoči metode bi strokovnjaku vzelo več ur.
Pogled v prihodnost: Misija Euclid
Rezultati tega dela so ključni za prihajajoče misije, kot je ESA Euclid. Medtem ko se JWST osredotoča na specifične jate, ki smo jih obravnavali v tem delu, bo Euclid opazoval celotno nebo in posnel na tisoče novih jat galaksij. Za tako velik nabor podatkov bo ročni pregled vsake slike nemogoč. Projekt DARKLENS dokazuje, da bo strojno učenje predstavljalo nepogrešljivo pomoč za raziskovanje vesolja.
Partnerji:
- Evropska vesoljska agencija (ESA)
- Fakulteta za matematiko in fiziko, Univerza v Ljubljani (UL FMF)
Podobni projekti
- Phot2Bin - Zaznavanje več zvezdnih sistemov s fotometrijo