Диаметр его линзы или зеркала, так называемая апертура, в корне ограничивает любой телескоп. Проще говоря, чем больше зеркало или линза, тем больше света оно собирает, что позволяет астрономам обнаруживать более слабые объекты и более четко их наблюдать.
Статистическая концепция, известная как «теорема выборки Найквиста», описывает предел разрешения и, следовательно, то, сколько деталей можно увидеть.Швейцарское исследование, проведенное профессором Кевином Шавински из ETH Zurich, использует новейшие технологии машинного обучения, чтобы преодолеть этот предел. Они обучают нейронную сеть, вычислительному подходу, который моделирует нейроны в мозгу, как выглядят галактики, а затем просят его автоматически восстановить размытое изображение и превратить его в резкое. Как и человеку, нейронной сети нужны примеры — в данном случае размытое и четкое изображение одной и той же галактики — для изучения техники.
В их системе используются две конкурирующие друг с другом нейронные сети. Этот новый подход, популярный в исследовательском сообществе машинного обучения, называется «генеративная состязательная сеть» или GAN.
Вся программа обучения заняла всего несколько часов на высокопроизводительном компьютере.Обученные нейронные сети могли распознавать и восстанавливать особенности, которые телескоп не мог разрешить, такие как области звездообразования, полосы и пылевые полосы в галактиках. Ученые сравнили его с исходным изображением с высоким разрешением, чтобы проверить его работоспособность, и обнаружили, что он лучше способен восстанавливать особенности, чем все, что использовалось до сих пор, включая подход «деконволюции», используемый для улучшения изображений, сделанных в первые годы космического телескопа Хаббл. .Шавински видит в этом большой шаг вперед: «Мы можем начать с обзора неба, сделанного с помощью телескопов за многие годы, увидеть больше деталей, чем когда-либо прежде, и, например, узнать больше о структуре галактик. Нет причин, по которым мы не может затем применить эту технику к самым глубоким изображениям, полученным Хабблом и приближающимся космическим телескопом Джеймса Уэбба, чтобы узнать больше о самых ранних структурах во Вселенной ».
Профессор Це Чжан, сотрудник отдела компьютерных наук, также видит большой потенциал: «Огромный объем астрономических данных всегда увлекает компьютерных ученых. Но когда появляются такие методы, как машинное обучение, астрофизика также является отличным испытательным полигоном для решения фундаментальных проблем. вычислительный вопрос — как нам интегрировать и использовать знания, накопленные людьми за тысячи лет, с помощью системы машинного обучения?
Мы надеемся, что наше сотрудничество с Кевином также может пролить свет на этот вопрос ».Успех проекта указывает на будущее астрофизики, основанное на данных, в котором информация будет извлекаться автоматически из данных, а не вручную созданных физических моделей.
ETH Zurich проводит эту работу в рамках междисциплинарной инициативы по астрофизике / информатике space.ml, код которой доступен широкой публике.