Νευρωνικά δίκτυα υπόσχονται πολύ ευκρινέστερες εικόνες στην αστρονομία

Λόγω του τρόπου που λειτουργούν τα τηλεσκόπια, η διακριτική τους ικανότητα περιορίζεται από το μέγεθος του κάτοπτρου ή των φακών που χρησιμοποιούν. Τώρα όμως, μία ομάδα Ελβετών ερευνητών βρήκε έναν τρόπο για να ξεπεράσει αυτό το φυσικό όριο, ανοίγοντας επομένως τον δρόμο για τη βελτίωση της ευκρίνειας των αστρονομικών παρατηρήσεων στο ορατό φάσμα.

Οι ερευνητές αντιπαρέβαλαν το αποτέλεσμα με την αυθεντική, υψηλής ευκρίνειας εικόνα, για να ελέγξουν την αποτελεσματικότητα της τεχνικής, βρίσκοντας πως έχει καλύτερα αποτελέσματα από οποιαδήποτε άλλη μέθοδο έχει χρησιμοποιηθεί μέχρι σήμερα.

Όπως περιγράφουν οι ερευνητές σε άρθρο τους στο περιοδικό Monthly Notices of the Royal Astronomical Society, γι’ αυτό τον σκοπό επιστράτευσαν τεχνητά νευρωνικά δίκτυα, έναν κλάδο της τεχνητής νοημοσύνης που αφορά την ανάπτυξη υπολογιστικών συστημάτων τα οποία αντιγράφουν τη λειτουργία του ανθρώπινου εγκεφάλου.

Έτσι, με τη βοήθεια αυτών των συστημάτων, μπορούν να αποκαλύπτουν στις εικόνες των τηλεσκοπίων λεπτομέρειες που πριν δεν διακρίνονταν.

Η διάμετρος του κατόπτρου ή των φακών, δηλαδή το διάφραγμα, θέτει ένα μέγιστο όριο στη διακριτική ικανότητα οποιουδήποτε τηλεσκοπίου. Με απλά λόγια, όσο μεγαλύτερο είναι το κάτοπτρο ή οι φακοί, τόσο περισσότερο φως συλλέγει το τηλεσκόπιο, με συνέπεια οι αστρονόμοι να μπορούν να ανιχνεύουν πιο αμυδρά αντικείμενα και με μεγαλύτερη λεπτομέρεια.

Η ομάδα, με επικεφαλής τον αστρονόμο Kevin Schawinski από το Ελβετικό Ομοσπονδιακό Ινστιτούτο Τεχνολογίας στη Ζυρίχη, κατάφερε να ξεπεράσει αυτό το όριο με τη βοήθεια της τεχνητής νοημοσύνης.

Ένα νευρωνικό δίκτυο AI έχει αποδειχθεί πως είναι καλύτερο από ό,τι οι σημερινές τεχνικές στον καθαρισμό των παραμορφωμένων οπτικών εικόνων από το διάστημα

Πιο συγκεκριμένα, οι επιστήμονες «εκπαίδευσαν» ένα νευρωνικό δίκτυο να διακρίνει τους γαλαξίες και στη συνέχεια του ζήτησαν να βελτιώσει την ευκρίνεια μίας θολής εικόνας.

Όπως ο ανθρώπινος εγκέφαλος, έτσι και τα νευρωνικά δίκτυα για να αποκτήσουν μία δεξιότητα χρειάζονται παραδείγματα – στη συγκεκριμένα περίπτωση, τόσο θολές όσο και ευκρινείς εικόνες του ίδιου γαλαξία.

Μάλιστα, το σύστημά τους αποτελείται από δύο νευρωνικά δίκτυα τα οποία ανταγωνίζονται μεταξύ τους – μία προσέγγιση που είναι γνωστή στην κοινότητα των ειδικών της τεχνητής νοημοσύνης με τον όρο «αναγεννητικά ανταγωνιστικά δίκτυα» (GAN). Για την όλη διαδικασία «εκπαίδευσης», χρειάστηκαν λίγες ώρες σε έναν υπολογιστή υψηλών επιδόσεων.

Η συνέπεια ήταν τα «εκπαιδευμένα» νευρωνικά δίκτυα να μπορούν να αναγνωρίσουν και να ανασυνθέσουν χαρακτηριστικά που δεν ήταν ορατά με το τηλεσκόπιο – όπως περιοχές του γαλαξία όπου σχηματίζονται άστρα ή ζώνες σκόνης.

Οι ερευνητές αντιπαρέβαλαν το αποτέλεσμα με την αυθεντική, υψηλής ευκρίνειας εικόνα, για να ελέγξουν την αποτελεσματικότητα της τεχνικής, βρίσκοντας πως έχει καλύτερα αποτελέσματα από οποιαδήποτε άλλη μέθοδο έχει χρησιμοποιηθεί μέχρι σήμερα.

Ο Kevin Schawinski θεωρεί πως πρόκειται για ένα τεράστια βήμα προόδου. «Μπορούμε να ανατρέξουμε στις παρατηρήσεις που έγιναν με τηλεσκόπια πριν από πολλά χρόνια, και να φέρουμε στο φως περισσότερες λεπτομέρειες από ποτέ – ώστε για παράδειγμα να μάθουμε περισσότερα για τις δομές των γαλαξιών.

Δεν υπάρχει κανείς λόγος να μην εφαρμόσουμε αυτή την τεχνική στις εικόνες από το Hubble των πιο απομακρυσμένων περιοχών του διαστήματος ή στο υλικό από το επερχόμενο διαστημικό τηλεσκόπιο James Webb, για να αποκτήσουμε περισσότερες γνώσεις για τις πιο “αρχαίες” δομές στο σύμπαν», λέει στην ιστοσελίδα της βρετανικής Βασιλικής Αστρονομικής Εταιρείας.