Visualisation d'artiste de cette recherche. Utiliser l'analyse des données pilotée par l'IA pour éliminer le bruit et trouver la forme réelle de l'univers. Crédit:L'Institut de Mathématiques Statistiques
Les astronomes japonais ont développé une nouvelle technique d'intelligence artificielle (IA) pour supprimer le bruit dans les données astronomiques dû aux variations aléatoires des formes des galaxies. Après une formation approfondie et des tests sur de grandes données fictives créées par des simulations de superordinateur, ils ont ensuite appliqué ce nouvel outil aux données réelles du télescope japonais Subaru et ont constaté que la distribution de masse dérivée de l'utilisation de cette méthode est cohérente avec les modèles actuellement acceptés de l'Univers. Il s'agit d'un nouvel outil puissant pour analyser les mégadonnées des relevés astronomiques actuels et prévus.
Les données d'enquêtes à grande échelle peuvent être utilisées pour étudier la structure à grande échelle de l'Univers grâce à des mesures de modèles de lentilles gravitationnelles. En lentille gravitationnelle, la gravité d'un objet au premier plan, comme un amas de galaxies, peut déformer l'image d'un objet d'arrière-plan, comme une galaxie plus lointaine. Certains exemples de lentilles gravitationnelles sont évidents, comme "l'il d'Horus". La structure à grande échelle, constitué principalement de mystérieuse matière "sombre", peut également déformer les formes des galaxies lointaines, mais l'effet de lentille attendu est subtil. Une moyenne sur de nombreuses galaxies dans une zone est nécessaire pour créer une carte des distributions de matière noire au premier plan.
Mais cette technique consistant à regarder de nombreuses images de galaxies se heurte à un problème; certaines galaxies sont juste par nature un peu drôles. Il est difficile de faire la distinction entre une image de galaxie déformée par une lentille gravitationnelle et une galaxie qui est réellement déformée. C'est ce qu'on appelle le bruit de forme et c'est l'un des facteurs limitants dans la recherche qui étudie la structure à grande échelle de l'Univers.
Schéma de l'intelligence artificielle utilisée dans cette étude, un réseau génératif contradictoire (GAN). Le premier réseau, appelé générateur d'images G, estime et délivre une carte de lentille débruitée à partir d'une carte de lentille bruitée. Le deuxième réseau, le discriminateur d'image D, compare la carte de lentilles créée par G avec la véritable carte de lentilles sans bruit et identifie l'image créée par G comme une fausse. En entrant un grand nombre de paires de cartes de lentilles bruyantes/sans bruit dans les deux réseaux, G est formé pour faire des cartes d'objectifs plus proches des originaux, et D est entraîné à repérer plus précisément les contrefaçons faites par G. Dans cette étude, 25, 000 paires de cartes de lentilles bruitées et sans bruit obtenues à partir de simulations numériques à l'aide d'ATERUI II ont été utilisées pour créer un réseau stable. Finalement, un générateur d'images entraîné G estime une carte de lentilles débruitée sur la base de la carte de lentilles d'observation bruitée réellement observée. Crédit :NAOJ
Pour compenser le bruit de forme, une équipe d'astronomes japonais a d'abord utilisé ATERUI II, le supercalculateur le plus puissant au monde dédié à l'astronomie, générer 25, 000 faux catalogues de galaxies basés sur des données réelles du télescope Subaru. Ils ont ensuite ajouté du bruit réaliste à ces ensembles de données artificielles parfaitement connus, et formé une IA pour récupérer statistiquement la matière noire de lentille à partir des données fictives.
Après l'entrainement, l'IA a pu récupérer des détails fins auparavant inobservables, aider à améliorer notre compréhension de la matière noire cosmique. Puis en utilisant cette IA sur des données réelles couvrant 21 degrés carrés du ciel, l'équipe a trouvé une distribution de masse de premier plan conforme au modèle cosmologique standard.
« Cette recherche montre l'intérêt de combiner différents types de recherche :observations, simulation, et l'analyse des données de l'IA, " dit Masato Shirasaki, le chef d'équipe, « En cette ère de big data, nous devons dépasser les frontières traditionnelles entre les spécialités et utiliser tous les outils disponibles pour comprendre les données. Si nous pouvons le faire, cela ouvrira de nouveaux domaines en astronomie et dans d'autres sciences."
