Машинное обучение играет главную роль в исследовании Вселенной

Sep 06, 2023

Астрономы штата Пенсильвания и сотрудники Института вычислительных наук и наук о данных используют алгоритмы машинного обучения для изучения сокровищницы данных космического телескопа Джеймса Уэбба. Они говорят, что эта информация уже меняет наше представление о Вселенной. Фото: НАСА и Научный институт космического телескопа. Все права защищены.

16 марта 2023 г.

Мэтт Суэйн

УНИВЕРСИТЕТСКИЙ ПАРК. Замысловатые и красивые изображения Вселенной, полученные с космического телескопа Джеймса Уэбба (JWST), — это больше, чем просто красивые пиксели, которые попадают на экраны компьютеров или смартфонов. Эти изображения представляют собой данные — очень много данных; на самом деле, JWST обеспечиваетоколо 235 гигабайт научных данных каждый день– примерно такой же объем данных за 10-дневный сеанс просмотра фильмов в высоком разрешении.

JWST и другие телескопы и датчики предоставляют сегодняшним астрономам постоянно растущий поток данных. Эти источники дают астрономам беспрецедентную возможность заглядывать глубже в космос и дальше во времени, чем когда-либо прежде, — делать новые открытия, в том числе изучать, как умирают звезды. Недавняя работа Пенсильванского университета с использованием данных JWST можетизменить способ понимания учеными происхождения галактик.

Однако управление всеми этими данными не лишено проблем. Астрономы должны полагаться на суперкомпьютеры и передовые алгоритмы, называемые машинным обучением, чтобы взять этот поток данных и создать точные модели необъятного космоса, раскрыть открытия и вдохновить на новые вопросы, а также создать потрясающие картины Вселенной.

Джоэл ЛехаиВ. Эшли Вильяр, оба доцента кафедры астрономии и астрофизики, а также сотрудники ICDS, входят в число ученых, сделавших Пенсильванский университет лидером в использовании методов машинного обучения для лучшей обработки огромных потоков данных.

По словам Леи, подходы машинного обучения позволяют исследователям обрабатывать цифры более эффективно и точно, чем предыдущие методы. В некоторых случаях, например, при интерпретации изображений галактик, эти методы машинного обучения могут быть почти в миллион раз быстрее, чем традиционные методы анализа, добавил он.

До появления машинного обучения обработка данных включала использование аналитических уравнений и компиляцию больших объемов данных в таблицы. Исследователи — часто аспиранты — тратят значительное количество времени на сбор и анализ данных. Без машинного обучения вычисления часто были повторяющимися и отнимали много времени, и не было эффективного способа ускорить этот процесс.

Лея сказала, что это было очень похоже на планирование очень сложной поездки.

«Допустим, вы пытаетесь найти лучший путь из Лос-Анджелеса в Сан-Франциско», — сказала Лея. «Используя старые методы, мы составляли список дорог, пробовали каждый маршрут, вычисляли все расстояние на каждой крошечной дороге — маленькой дороге, главном шоссе, окольных дорогах — и нам нужно было нанести на карту каждый маршрут, делая это один за другим. Это не очень хороший способ. Обычно он дает правильный ответ, но машинное обучение пытается сделать это гораздо более разумным способом, используя данные — например, вместо этого оно может использовать миллионы предыдущих маршрутов путешествий и просто быстро спроси, кто из них самый быстрый».

По словам Виллара, машинное обучение не просто сокращает человеческий труд, эти подходы могут сократить вычислительный труд, что, в свою очередь, экономит энергию.

«Проблема человеческого труда важна, но мы также должны учитывать проблему компьютерного труда», — сказал Вильяр. «Он требует очень много часов вычислительного времени, а это также означает, что он потребляет много энергии».

Космический телескоп Джеймса Уэбба делает больше, чем просто делает красивые снимки — он собирает данные, которые могут помочь нам лучше понять Вселенную. Машинное обучение помогает астрономам изучать эти данные. Фото: НАСА и Научный институт космического телескопа (STScI). Все права защищены.

Устройство смены полей