Китай успешно применил ИИ для астрономического исследования

Важное открытие о формировании Вселенной совершила международная команда под руководством китайского исследователя с помощью самостоятельно разработанной системы глубоких нейронных сетей ИИ, сообщает 16 мая издание Yicai.

Ученые обнаружили 107 важнейших нейтральных поглотителей углерода в компонентах холодных газовых облаков в ранних галактиках Вселенной. Команда под руководством Гэ Цзяня из Шанхайской астрономической обсерватории Китайской академии наук вчера опубликовала результаты исследования в Monthly Notices of the Royal Astronomical Society.

Результаты исследования подтверждают недавнее открытие космического телескопа Джеймса Уэбба алмазоподобной углеродной пыли в самых ранних звездах Вселенной и указывают на то, что эволюция некоторых галактик может происходить гораздо быстрее, чем ожидалось, что ставит под сомнение существующие модели формирования и эволюции галактик.

Это революционное открытие является важной вехой в применении искусственного интеллекта к астрономическим большим данным, сказал Гэ в интервью. Обученные глубокие нейронные сети значительно превзошли эффективность астрономов, тренировавшихся в течение многих лет, что позволило им быстро идентифицировать чрезвычайно редкие и слабые сигналы в огромных массивах данных, отметил Гэ.

Изучение холодных газов и пыли имеет решающее значение для изучения формирования и эволюции галактик, поскольку оно может дать астрономам ключевой инструмент для исследования резких изменений от начальной сборки галактик до периода звездообразования на протяжении всего жизненного цикла галактик на более поздних этапах эволюции.

Размер выборки, использованной в этом исследовании, почти в два раза больше, чем в предыдущем крупнейшем, и в ней обнаружены еще более слабые сигналы, чем раньше, пояснил Гэ.

«Мы создали симуляционные данные, идеально соответствующие характеристикам реальных сигналов, и использовали их для обучения глубоких нейронных сетей, что позволило машине идентифицировать зоны с такими характеристиками», — сказал Гэ, добавив, что команда начала разработку и обучение нейросетевой системы в 2017 году.

«Нейросетевая система позволила значительно сократить время работы», — говорит Гэ. «Потребовалось бы несколько месяцев ручного исследования, чтобы сделать то, что система сделала за десятки секунд».