Lensa graviti adalah alat penting bagi para astronom yang ingin mengkaji objek paling jauh di Alam Semesta. Teknik ini melibatkan penggunaan kelompok materi yang besar (biasanya galaksi atau kelompok) antara sumber cahaya yang jauh dan pemerhati untuk melihat cahaya yang datang dari sumber itu dengan lebih baik. Dalam kesan yang diramalkan oleh Teori Relativiti Umum Einstein, ini memungkinkan para astronom melihat objek yang mungkin tidak dapat dikaburkan.
Baru-baru ini, sekumpulan ahli astronomi Eropah mengembangkan kaedah untuk mencari lensa graviti dalam timbunan data yang sangat besar. Dengan menggunakan algoritma kecerdasan buatan yang sama dengan yang digunakan oleh Google, Facebook dan Tesla untuk tujuan mereka, mereka dapat menemui 56 calon lensa graviti baru dari tinjauan astronomi besar-besaran. Kaedah ini dapat menghilangkan keperluan bagi para astronom untuk melakukan pemeriksaan visual terhadap gambar astronomi.
Kajian yang menggambarkan penyelidikan mereka, berjudul "Mencari lensa graviti yang kuat dalam Kilo Degree Survey with Convolutional Neural Networks", baru-baru ini muncul di Makluman Bulanan Persatuan Astronomi Diraja. Diketuai oleh Carlo Enrico Petrillo dari Institut Astronomi Kapteyn, pasukan ini juga merangkumi anggota Institut Astrofizik Nasional (INAF), Institut Astronomi Argelander (AIfA) dan Universiti Naples.
Walaupun berguna bagi para astronom, lensa graviti adalah rasa sakit untuk dicari. Biasanya, ini terdiri daripada para astronom yang menyusun ribuan gambar yang diambil oleh teleskop dan observatorium. Walaupun institusi akademik dapat bergantung pada ahli astronomi amatur dan ahli astronomi warganegara seperti sebelumnya, tidak ada cara untuk mengikuti berjuta-juta gambar yang kerap ditangkap oleh instrumen di seluruh dunia.
Untuk mengatasi hal ini, Dr. Petrillo dan rakan-rakannya beralih kepada apa yang dikenal sebagai "Konvulutional Neural Networks" (CNN), sejenis algoritma pembelajaran mesin yang menambang data untuk corak tertentu. Walaupun Google menggunakan rangkaian neural yang sama untuk memenangi pertandingan Go melawan juara dunia, Facebook menggunakannya untuk mengenali sesuatu dalam gambar yang disiarkan di laman webnya, dan Tesla telah menggunakannya untuk mengembangkan kereta memandu sendiri.
Seperti yang dijelaskan oleh Petrillo dalam artikel akhbar baru-baru ini dari Belanda Research School for Astronomy:
"Ini adalah pertama kalinya jaringan saraf konvolusional digunakan untuk menemukan benda-benda aneh dalam tinjauan astronomi. Saya rasa ini akan menjadi kebiasaan kerana tinjauan astronomi masa depan akan menghasilkan sejumlah besar data yang perlu diperiksa. Kami tidak mempunyai ahli astronomi yang cukup untuk mengatasi ini. "
Pasukan kemudian menerapkan rangkaian saraf ini ke data yang berasal dari Kilo-Degree Survey (KiDS). Projek ini bergantung pada VLT Survey Telescope (VST) di Observatorium Paranal ESO di Chile untuk memetakan 1500 darjah persegi langit malam selatan. Kumpulan data ini terdiri daripada 21.789 gambar warna yang dikumpulkan oleh VST OmegaCAM, instrumen multiband yang dikembangkan oleh konsortium saintis Eropah bersama dengan ESO.
Semua gambar ini mengandungi contoh Galaksi Merah Bercahaya (LRG), tiga di antaranya dikenali sebagai lensa graviti. Pada mulanya, rangkaian saraf menemui 761 calon lensa graviti dalam sampel ini. Setelah memeriksa calon-calon ini secara visual, pasukan berjaya menyempitkan senarai menjadi 56 lensa. Ini masih perlu disahkan oleh teleskop ruang angkasa di masa depan, tetapi hasilnya cukup positif.
Seperti yang mereka nyatakan dalam kajian mereka, rangkaian saraf seperti itu, ketika digunakan pada set data yang lebih besar, dapat mendedahkan beratus-ratus atau bahkan ribuan lensa baru:
"Anggaran konservatif berdasarkan hasil kami menunjukkan bahawa dengan kaedah yang dicadangkan, mungkin dapat dijumpai? 100 lensa LRG-galaksi besar pada z ~> 0,4 di KiDS apabila selesai. Dalam senario yang paling optimis, jumlah ini dapat bertambah banyak (hingga maksimum 2400 lensa), ketika memperluas pemilihan ukuran warna dan melatih CNN untuk mengenali sistem lensa pemisahan gambar yang lebih kecil. "
Di samping itu, rangkaian saraf menemui semula dua lensa yang diketahui dalam set data, tetapi gagal menggunakan lensa ketiga. Namun, ini disebabkan oleh fakta bahawa lensa ini sangat kecil dan rangkaian saraf tidak dilatih untuk mengesan lensa sebesar ini. Pada masa akan datang, para penyelidik berharap dapat memperbaikinya dengan melatih rangkaian saraf mereka untuk melihat lensa yang lebih kecil dan menolak positif palsu.
Tetapi tentu saja, tujuan utama di sini adalah untuk menghilangkan keperluan pemeriksaan visual sepenuhnya. Dengan berbuat demikian, para astronom akan terbebas dari melakukan pekerjaan kasar, dan dapat mendedikasikan lebih banyak waktu untuk proses penemuan. Dengan cara yang hampir sama, algoritma pembelajaran mesin dapat digunakan untuk mencari data astronomi untuk isyarat gelombang graviti dan eksoplanet.
Sama seperti bagaimana industri lain berusaha masuk akal daripada terabyte pengguna atau jenis "data besar" lain, bidang astrofizik dan kosmologi boleh bergantung pada kecerdasan buatan untuk menemukan corak di Alam Semesta data mentah. Dan hasilnya tidak kurang dari proses penemuan yang dipercepat.
