Lensa gravitasi adalah alat penting bagi para astronom yang ingin mempelajari objek paling jauh di Alam Semesta. Teknik ini melibatkan penggunaan kumpulan materi yang sangat besar (biasanya galaksi atau kluster) antara sumber cahaya yang jauh dan pengamat untuk melihat cahaya yang datang dari sumber itu dengan lebih baik. Dalam efek yang diprediksi oleh Teori Relativitas Umum Einstein, ini memungkinkan para astronom untuk melihat benda-benda yang mungkin dikaburkan.
Baru-baru ini, sekelompok astronom Eropa mengembangkan metode untuk menemukan lensa gravitasi dalam tumpukan data yang sangat besar. Dengan menggunakan algoritma kecerdasan buatan yang sama seperti yang digunakan Google, Facebook, dan Tesla untuk tujuan mereka, mereka dapat menemukan 56 kandidat lensa gravitasi baru dari survei astronomi besar-besaran. Metode ini dapat menghilangkan kebutuhan bagi para astronom untuk melakukan inspeksi visual terhadap gambar-gambar astronomi.
Studi yang menggambarkan penelitian mereka, berjudul "Menemukan lensa gravitasi yang kuat dalam Kilo Degree Survey dengan Convolutional Neural Networks", baru-baru ini muncul di Pemberitahuan Bulanan Royal Astronomical Society. Dipimpin oleh Carlo Enrico Petrillo dari Institut Astronomi Kapteyn, tim ini juga termasuk anggota Institut Nasional untuk Astrofisika (INAF), Argelander-Institute for Astronomy (AIfA) dan University of Naples.
Sementara berguna bagi para astronom, lensa gravitasi adalah rasa sakit untuk ditemukan. Biasanya, ini terdiri dari para astronom yang memilah-milah ribuan gambar yang diambil oleh teleskop dan observatorium. Sementara institusi akademik dapat mengandalkan astronom amatir dan astronom warga tidak seperti sebelumnya, tidak ada cara untuk mengimbangi jutaan gambar yang ditangkap secara teratur oleh instrumen di seluruh dunia.
Untuk mengatasi hal ini, Dr. Petrillo dan rekan-rekannya beralih ke apa yang dikenal sebagai "Jaringan Neural Konvulutional" (CNN), sejenis algoritma pembelajaran mesin yang menambang data untuk pola tertentu. Sementara Google menggunakan jaringan saraf yang sama ini untuk memenangkan pertandingan Go melawan juara dunia, Facebook menggunakannya untuk mengenali hal-hal dalam gambar yang diposting di situsnya, dan Tesla telah menggunakannya untuk mengembangkan mobil self-driving.
Seperti yang dijelaskan Petrillo dalam artikel pers baru-baru ini dari Sekolah Penelitian Belanda untuk Astronomi:
“Ini adalah pertama kalinya jaringan saraf convolutional digunakan untuk menemukan benda-benda aneh dalam survei astronomi. Saya pikir itu akan menjadi norma karena survei astronomi di masa depan akan menghasilkan sejumlah besar data yang perlu diperiksa. Kami tidak memiliki cukup astronom untuk mengatasi ini. "
Tim kemudian menerapkan jaringan saraf ini pada data yang berasal dari Kilo-Degree Survey (KiDS). Proyek ini bergantung pada VLT Survey Telescope (VST) di Observatorium Paranal ESO di Chili untuk memetakan 1500 derajat persegi langit malam selatan. Kumpulan data ini terdiri dari 21.789 gambar berwarna yang dikumpulkan oleh OmegaCAM VST, sebuah instrumen multiband yang dikembangkan oleh konsorsium ilmuwan Eropa dalam hubungannya dengan ESO.
Gambar-gambar ini semuanya berisi contoh-contoh Galaksi Merah Bercahaya (LRGs), tiga di antaranya dikenal sebagai lensa gravitasi. Awalnya, jaringan saraf menemukan 761 kandidat lensa gravitasi dalam sampel ini. Setelah memeriksa kandidat ini secara visual, tim dapat mempersempit daftar menjadi 56 lensa. Ini masih perlu dikonfirmasi oleh teleskop ruang angkasa di masa depan, tetapi hasilnya cukup positif.
Seperti yang mereka tunjukkan dalam penelitian mereka, jaringan saraf seperti itu, ketika diterapkan pada set data yang lebih besar, dapat mengungkapkan ratusan atau bahkan ribuan lensa baru:
"Perkiraan konservatif berdasarkan hasil kami menunjukkan bahwa dengan metode yang kami usulkan itu mungkin untuk menemukan? 100 lensa LRG-galaksi besar pada z ~> 0,4 dalam KiDS ketika selesai. Dalam skenario yang paling optimis, jumlah ini dapat tumbuh secara signifikan (hingga maksimal? 2.400 lensa), ketika memperluas pemilihan besarnya warna dan melatih CNN untuk mengenali sistem lensa pemisahan gambar yang lebih kecil. "
Selain itu, jaringan saraf menemukan kembali dua lensa yang diketahui dalam kumpulan data, tetapi melewatkan yang ketiga. Namun, ini disebabkan oleh fakta bahwa lensa ini sangat kecil dan jaringan saraf tidak terlatih untuk mendeteksi lensa sebesar ini. Di masa depan, para peneliti berharap untuk memperbaiki ini dengan melatih jaringan saraf mereka untuk melihat lensa yang lebih kecil dan menolak positif palsu.
Tetapi tentu saja, tujuan akhir di sini adalah untuk menghilangkan kebutuhan akan inspeksi visual sepenuhnya. Dengan melakukan hal itu, para astronom akan dibebaskan dari keharusan melakukan pekerjaan kasar, dan dapat mendedikasikan lebih banyak waktu untuk proses penemuan. Dalam banyak cara yang sama, algoritma pembelajaran mesin dapat digunakan untuk mencari melalui data astronomi untuk sinyal gelombang gravitasi dan planet ekstrasurya.
Sama seperti bagaimana industri lain berusaha masuk akal dari terabyte konsumen atau jenis "data besar" lainnya, bidang astrofisika dan kosmologi bisa mengandalkan kecerdasan buatan untuk menemukan pola dalam Semesta data mentah. Dan hasilnya mungkin tidak kurang dari proses penemuan yang dipercepat.
