NGC_4414
0

Jak nauczyć komputer przeprowadzania operacji plastycznych na galaktykach?

Jak nauczyć komputer przeprowadzania operacji plastycznych na galaktykach? Podobno duet złożony z astronoma Kevina Schawinskiego oraz informatyka Ce Zhanga zna odpowiedź na to pytanie. Innymi słowy wykorzystali sieci neuronowe do poprawiania jakości obrazów galaktyk, co jest niezwykle istotne w pracy astronoma.

Kevin Schawinski nie chce posługiwać się tak banalnym określeniem jak święty Graal, ale zaznacza że to nad czym pracuje ze swoim kolegą, jest dokładnie tym czego potrzebuje astronomia. Wszystko zaczęło się od tego, że astronom zdał sobie sprawę z tego jak bardzo nie lubi poświęcać swojego czasu na pracochłonne obrabianie niedoskonałej informacji. Doszedł do wniosku, że można tego nauczyć sieci neuronowe, lecz miał poważny problem, mianowicie nie umiał tego zrobić.

Skuteczny duet

Na szczęście zapoznano go z odpowiednim specjalistą z Politechniki Federalnej w Zurychu, panem Ce Zhang. Potem wszystko potoczyło się we właściwym kierunku. Razem znaleźli sposób na wykorzystanie nauczania maszynowego do odciążenia Schawinskiego z najgorszej części jego pracy. Wykorzystali do tego tzw. Generative Adversarial Networks lub w skrócie GAN, które bazuje na rodzaju uczenia maszynowego, określanego jako „uczenie nienadzorowane”.

Polega to na zestawieniu przeciwko sobie dwóch sieci neuronowych. Jedna sieć otrzymuje obraz galaktyki, który zawiera wiele niedoskonałości, ponieważ jego jakość została celowo pogorszona. Poza tym ta sama sieć wchodzi również w posiadanie dokładnie tego samego obrazu galaktyki w idealnym stanie. Zadaniem sieci neuronowej było przerobienie brzydkiego obrazka w taki sposób, aby możliwie najlepiej przypominał ładną wersję. Druga sieć neuronowa jest od tego, aby oceniać efekty pracy tej pierwszej, czyli wyłapywać różnice pomiędzy dwoma obrazkami. Tak wygląda trening dla chirurga plastycznego od galaktyk.

Po zakończeniu ćwiczeń, GAN była w stanie ukazywać informacje, które wcześniej nie były dostępne ze względu na niewystarczającą wrażliwość teleskopów. Schawinski tłumaczy, że w astronomii każdy chce sprawić aby jakość obrazu była lepsza niż jest w rzeczywistości. Najważniejsze w tym wszystkim jest aby w efekcie końcowym wspomniane rozwiązanie bazujące na nauczaniu maszynowym, było przystępne dla wszystkich astronomów, od których nie powinno się wymagać specjalistycznej wiedzy w zakresie sieci neuronowych. Właśnie do tego będą zmierzać Kevin Schawinski i Ce Zhang.

Nauczanie maszynowe w astronomii

Inni astronomowie już od jakiegoś czasu wykorzystują nauczanie maszynowe np. do rozpoznawania i eliminowania zakłóceń radiowych, które są częścią zebranych przez nich informacji, lecz wcale nie są przez nich pożądane. Wszystkie zakłócenia generowane przez ludzi przyczyniają się do utrudniania pracy naukowców, a w związku z tym że nie da się na chwilę „wyłączyć ich źródła”, pozostaje je wyłapywać i usuwać. Zrobi to odpowiednio wytrenowana sieć neuronowa.

Skoro AI może znacznie szybciej i prawdopodobnie nawet lepiej zrobić to samo co człowiek, pozostaje tylko cieszyć się z możliwości przyspieszenia pracy astronomów, która siłą rzeczy jest żmudna i czasochłonna, a przecież wielu z nas chętnie dowiaduje się czegoś więcej o kosmosie.

Źródło