Een AI algoritme maakt de kosmos helderder

Zelfs beelden die zijn verkregen door 's werelds beste telescopen op de grond zijn wazig vanwege luchtonrust in de atmosfeer. Hoewel schijnbaar onschadelijk, verhult deze vervaging de vormen van objecten in astronomische afbeeldingen, wat soms leidt tot foutieve natuurkundige metingen die essentieel zijn voor het begrijpen van de aard van ons universum.

Bij de foto: Om de atmosferische storingen uit een afbeelding te verwijderen, duwt het proces de oorspronkelijke opname door acht netwerklagen, waardoor acht tussenliggende afbeeldingen worden gegenereerd. (De vroegste afbeelding bevindt zich linksboven; de uiteindelijke afbeelding bevindt zich rechtsonder.)

Nu hebben onderzoekers van de Northwestern University en de Tsinghua University in Beijing een nieuwe strategie onthuld om dit probleem op te lossen. Het team paste een bekend computervisie-algoritme aan dat wordt gebruikt voor het scherper maken van foto's en paste het voor het eerst toe op astronomische beelden van telescopen op de grond.

De onderzoekers hebben ook het algoritme voor kunstmatige intelligentie (AI) getraind op gesimuleerde gegevens om overeen te komen met de beeldvormingsparameters van het Vera C. Rubin Observatory. Wanneer het observatorium volgend jaar geopend wordt, zal de tool onmiddellijk compatibel zijn.

Terwijl astrofysici al technologieën gebruiken om onscherpte te verwijderen, werkt het aangepaste AI-gestuurde algoritme sneller en produceert het realistischere beelden dan de huidige technologieën. De resulterende afbeeldingen zijn scherp en levensecht. Ze zijn ook mooi - hoewel dat niet het doel van de technologie is.

Bij de foto: Een van de schotels van de Giant Metrewave Radio Telescope (GMRT) nabij Pune, Maharashtra, India. Foto: Nationaal centrum voor radioastrofysica

"Het doel van fotografie is vaak om een mooie, goed ogende beelden te krijgen", zegt Emma Alexander van Northwestern, de hoofdauteur van het onderzoek. “Maar astronomische beelden worden gebruikt voor de wetenschap. Door afbeeldingen correct op te schonen, kunnen we meer nauwkeurige gegevens krijgen. Het algoritme verwijdert de atmosfeer computationeel, waardoor natuurkundigen kunnen beschikken over betere wetenschappelijke metingen. Uiteindelijk zien de beelden er ook beter uit.”

Het onderzoek zal worden gepubliceerd in de Monthly Notices of the Royal Astronomical Society.

Alexander is assistent-professor informatica aan de Northwestern's McCormick School of Engineering, waar ze het Bio Inspired Vision Lab leidt. Ze leidde de nieuwe studie samen met Tianao Li, een student elektrotechniek aan de Tsinghua University en een onderzoeksstagiair in het laboratorium van Alexander.

Wanneer licht afkomstig is van verre sterren, planeten en sterrenstelsels, reist het door de atmosfeer van de aarde voordat het onze ogen raakt. Niet alleen blokkeert onze atmosfeer bepaalde golflengten van licht, het vervormt ook het licht dat de aarde bereikt. Zelfs een heldere nachthemel bevat nog steeds bewegende lucht die het licht dat er doorheen gaat beïnvloedt. Dat is de reden waarom sterren fonkelen en waarom de beste telescopen op de grond zich op grote hoogten bevinden waar de atmosfeer het dunst is.

"Het is een beetje alsof je omhoog kijkt vanaf de bodem van een zwembad," zei Alexander. “Het water duwt licht rond en vervormt het. De atmosfeer is natuurlijk veel minder dicht, maar het is een vergelijkbaar concept.”

De vervaging wordt een probleem wanneer astrofysici beelden analyseren om kosmologische gegevens te extraheren. Door de schijnbare vormen van sterrenstelsels te bestuderen, kunnen wetenschappers de zwaartekrachteffecten detecteren van grootschalige kosmologische structuren, die licht afbuigen op weg naar onze planeet.

Hierdoor kan een elliptisch sterrenstelsel ronder of meer uitgerekt lijken dan het in werkelijkheid is. Maar atmosferische onscherpte vervormt het uitzicht van het sterrenstelsel. Door de vervaging te verwijderen, kunnen wetenschappers nauwkeurige vormgegevens verzamelen.

"Kleine verschillen in vorm kunnen ons iets vertellen over de zwaartekracht in het universum", zei Alexander. “Die verschillen zijn nu al moeilijk te ontdekken. Als u naar een afbeelding van een telescoop op de grond kijkt, kan een vorm vervormd zijn. Het is moeilijk om te weten of dat komt door een zwaartekrachteffect of door de atmosfeer.”

Om deze uitdaging aan te gaan, combineerden Alexander en Li een optimalisatie-algoritme met een deep-learning netwerk dat is getraind op astronomische beelden. Qua trainingsbeelden nam het team gesimuleerde gegevens op die overeenkomen met de verwachte beeldvormingsparameters van het Rubin Observatory. De resulterende tool produceerde afbeeldingen met 38,6% minder fouten in vergelijking met klassieke methoden voor het verwijderen van onscherpte en 7,4% minder fouten in vergelijking met moderne methoden.

Wanneer het Rubin Observatorium volgend jaar officieel wordt geopend, beginnen de telescopen aan een tien jaar durend diep onderzoek van een enorm deel van de nachtelijke hemel. Omdat de onderzoekers de nieuwe tool hebben getraind op gegevens die speciaal zijn ontworpen om de aankomende beelden van Rubin te simuleren, kan het helpen bij het analyseren van de langverwachte gegevens van de enquête.

De open-source code, gebruiksvriendelijk en met bijbehorende tutorials zijn online beschikbaar voor astronomen die geïnteresseerd zijn in het gebruik van de tool.

"Nu geven we deze tool door aan o.a. andere astronomie-experts," zei Alexander. "We denken dat dit een waardevol hulpmiddel kan zijn voor hemlsurveys om de meest realistische gegevens mogelijk te verkrijgen."

De studie, "Galaxy image deconvolution for weak gravitational lensing with unrolled plug-and-play ADMM", maakte gebruik van computationele bronnen van het Computational Photography Lab aan de Northwestern University.

Auteur: Jan Vyvey
Bron: Northwestern University