Vea También
 |
| Visualización artística de esta investigación. Utilizando el análisis de datos impulsado por la IA para eliminar el ruido y encontrar la forma real del universo. Crédito: Instituto de Matemática Estadística |
Reducción de ruido para el mapeo de masas de lentes débiles: una aplicación de redes generativas adversariales a los datos del primer año de Subaru Hyper Suprime-Cam
Proponemos un enfoque de aprendizaje profundo basado en redes generativas adversariales (GANs) para reducir el ruido en los mapas de masa de lentes débiles en condiciones realistas. Aplicamos la traslación de imagen a imagen utilizando GANs condicionales al mapa de masa obtenido de los datos del primer año de Subaru Hyper Suprime-Cam (HSC) Survey. Entrenamos los GANs condicionales utilizando 25 000 catálogos HSC simulados que incorporan directamente una variedad de efectos observacionales. Estudiamos la información no gaussiana en los mapas denotados utilizando funciones de distribución de probabilidad (PDF) de un punto y también realizamos un análisis de coincidencia para los picos positivos y los cúmulos masivos. Se aplica con éxito una técnica de aprendizaje de conjunto con nuestros GANs para reproducir las PDFs de la convergencia de las lentes. Alrededor del 60 por ciento de los picos en los mapas denotados con una altura superior a 5σ tienen contrapartes de cúmulos masivos dentro de una separación de 6 arcmin. Mostramos que las PDFs en los mapas denotados no se ven comprometidas por los detalles de los sesgos multiplicativos y las distribuciones fotométricas de corrimiento al rojo, ni por los errores de medición de la forma, y que las PDFs muestran una dependencia cosmológica más fuerte en comparación con la contraparte ruidosa. Aplicamos nuestro método de eliminación de ruido a una parte de los datos del primer año del HSC para mostrar que la distribución de masa observada es estadísticamente consistente con la predicción del modelo estándar de ΛCDM.
Astrónomos japoneses han desarrollado una nueva técnica de inteligencia artificial (IA) para eliminar el ruido en los datos astronómicos debido a las variaciones aleatorias en las formas de las galaxias. Tras un extenso entrenamiento y pruebas con grandes datos simulados creados por simulaciones de superordenadores, aplicaron esta nueva herramienta a los datos reales del telescopio Subaru de Japón y descubrieron que la distribución de masas derivada del uso de este método es coherente con los modelos del Universo actualmente aceptados. Se trata de una nueva y poderosa herramienta para analizar los grandes datos de los sondeos astronómicos actuales y previstos.
Los datos de los sondeos de gran superficie pueden utilizarse para estudiar la estructura a gran escala del Universo mediante mediciones de los patrones de las lentes gravitacionales. En las lentes gravitacionales, la gravedad de un objeto en primer plano, como un cúmulo de galaxias, puede distorsionar la imagen de un objeto de fondo, como una galaxia más lejana. Algunos ejemplos de lentes gravitacionales son evidentes, como el "Ojo de Horus". La estructura a gran escala, formada principalmente por la misteriosa materia "oscura", también puede distorsionar las formas de las galaxias lejanas, pero el efecto de lente esperado es sutil. Para crear un mapa de las distribuciones de la materia oscura en primer plano es necesario promediar muchas galaxias en un área.
Pero esta técnica de mirar muchas imágenes de galaxias se topa con un problema; algunas galaxias tienen un aspecto innatamente extraño. Es difícil distinguir entre la imagen de una galaxia distorsionada por una lente gravitacional y una galaxia que realmente está distorsionada. Esto se conoce como ruido de forma y es uno de los factores limitantes en la investigación que estudia la estructura a gran escala del Universo.
 |
| Esquema de la inteligencia artificial utilizada en este estudio, una red generativa adversarial (GAN). La primera red, denominada generador de imágenes G, estima y produce un mapa de lentes denotado a partir de un mapa de lentes con ruido. La segunda red, el discriminador de imágenes D, compara el mapa de lentes creado por G con el verdadero mapa de lentes sin ruido e identifica la imagen creada por G como falsa. Al introducir un gran número de pares de mapas de lentes con ruido y sin ruido en las dos redes, G se entrena para crear mapas de lentes que se acerquen más a los originales, y D se entrena para detectar con mayor precisión las falsificaciones realizadas por G. En este estudio, se utilizaron 25.000 pares de mapas de lentes con ruido y sin ruido obtenidos a partir de simulaciones numéricas con ATERUI II para crear una red estable. Por último, un generador de imágenes entrenado por G estima un mapa de lentes desprovisto de ruido basado en el mapa de lentes observacional realmente observado. Crédito: NAOJ |
Para compensar el ruido de forma, un equipo de astrónomos japoneses utilizó primero ATERUI II, el superordenador más potente del mundo dedicado a la astronomía, para generar 25.000 catálogos de galaxias falsos basados en datos reales del telescopio Subaru. A continuación, añadieron ruido realista a estos conjuntos de datos artificiales perfectamente conocidos y entrenaron a una IA para que recuperara estadísticamente la materia oscura de las lentes a partir de los datos simulados.
Tras el entrenamiento, la IA fue capaz de recuperar detalles finos previamente inobservables, ayudando a mejorar nuestra comprensión de la materia oscura cósmica. A continuación, utilizando esta IA en datos reales que cubren 21 grados cuadrados del cielo, el equipo encontró una distribución de la masa de primer plano consistente con el modelo cosmológico estándar.
"Esta investigación muestra los beneficios de combinar diferentes tipos de investigación: observaciones, simulaciones y análisis de datos con IA", afirma Masato Shirasaki, líder del equipo. "En esta era de los grandes datos, tenemos que traspasar las fronteras tradicionales entre especialidades y utilizar todas las herramientas disponibles para entender los datos. Si lo conseguimos, se abrirán nuevos campos en la astronomía y otras ciencias."
Fuentes, créditos y referencias: