طالب من جامعة تسينغهوا بعد العقد الأول من القرن الحادي والعشرين يستخدم الذكاء الاصطناعي لهزيمة "الهجوم السحري" للغلاف الجوي واستعادة المظهر الحقيقي للكون
إن وجود الغلاف الجوي أمر حيوي للحياة على الأرض، ولكن بالنسبة للملاحظات الفلكية، يمكن للغلاف الجوي أن يسبب ظواهر مثل ضعف الرؤية، وانخفاض القدرة على الرؤية، وانقراض الغلاف الجوي.حتى مع أفضل التلسكوبات الفلكية الأرضية في العالم، فإن الصور الفلكية التي تم الحصول عليها غير واضحة.ويؤدي هذا التشويش في بعض الأحيان إلى قياسات فيزيائية خاطئة، مما يؤثر على تقدم البحث العلمي لعلماء الفلك.
ولمواجهة هذا التحدي، قام باحثون مؤخرا، ومن بينهم لي تياناو من جامعة تسينغهوا وإيما ألكسندر من جامعة نورث وسترن في الولايات المتحدة،تم تدريب خوارزمية الرؤية الحاسوبية باستخدام البيانات المحاكاة لتوضيح واستعادة الصور الفلكية.وتم أيضًا مطابقة الخوارزمية مع معلمات التصوير الخاصة بمرصد فيرا سي روبين، مما يجعل الأداة متوافقة بشكل مباشر مع المرصد عند افتتاحه العام المقبل.
حاليًا، نتائج البحث، التي تسمى "تفكيك صورة المجرة للعدسة الجاذبية الضعيفة باستخدام ADMM القابل للتوصيل والتشغيل"،وقد تم نشره في الإشعارات الشهرية للجمعية الفلكية الملكية.
وقد نشرت نتائج البحث في الإشعارات الشهرية للجمعية الفلكية الملكية
عنوان الورقة:
https://academic.oup.com/mnrasl/article/522/1/L31/7075894
تفاصيل التجربة: استخدام خوارزميات الذكاء الاصطناعي لكشف غموض الصور الفلكية
في هذه الورقة، قام فريق البحث بمقارنة طرق إزالة التشويش الكلاسيكية والحديثة على بيانات المحاكاة الحقيقية، بما في ذلك أخطاء الإهليلجية، ووقت الحساب، والحساسية لأخطاء PSF. وتظهر النتائج أنيقلل Unrolled-ADMM الخطأ بمقدار 38.6% مقارنة بطريقة إزالة التشويش التقليدية وبمقدار 7.4% مقارنة بالطريقة الحديثة.
عنوان GitHub للطرق الحديثة:
https://github.com/lukeli0425/galaxy-deconv
معالجة الصور
لاختبار معايير الطرق الكلاسيكية وتدريب الشبكات العصبية، يجب إقران صورة أرضية حقيقية ونظيفة مع PSF الحقيقي والصورة الضبابية الصاخبة. تحقيقا لهذه الغاية،استخدم الباحثون Galsim (مجموعة أدوات محاكاة صور المجرات المعيارية) وCOSMOS (مجموعة بيانات المجرات الحقيقية COSMOS) لمحاكاة الملاحظات الأرضية وإنشاء مجموعات بيانات تجريبية.
جالسيم:
https://github.com/GalSim-developers/GalSim
مجموعة بيانات المجرة الحقيقية لبرنامج COSMOS:
https://doi.org/10.5281/zenodo.3242143
يتم اقتصاص الصور الأصلية وتدويرها بشكل عشوائي لمحاكاة تأثيرات العدسات الضعيفة، ثم يتم دمجها مع عوامل توزيع النقطة الجوية والبصرية العشوائية وقياس سطوعها قبل إضافة الضوضاء الغوسية. أخيرًا، يتم تقليص حجم جميع الصور إلى مقياس البكسل الخاص بـ LSST.
أصبحت مجموعة البيانات متاحة الآن على الموقع الرسمي لشركة HyperAI:
https://hyper.ai/datasets/23544
تدريب الشبكة العصبية
استخدم الباحثون مُحسِّن Adam لتدريب 40 ألف عينة على وحدة معالجة الرسوميات NVIDIA GeForce RTX 2080 Ti.تم استخدام دالة الخسارة L1 متعددة المقاييس لتدريب صور الحقيقة الأساسية وإعادة بناء الصور لمدة 50 عصرًا.تم تدريب شبكة منفصلة لكل عدد من التكرارات (N=2,4,8)، مع ResUNet كمكون إضافي لإزالة الضوضاء (17,007,744 معلمة).تقديم اتصال التخطي في الشبكة العصبية،يمكن أن يؤدي هذا إلى تجنب التلاشي أو الانفجار في التدرجات الناتجة عن زيادة عدد التكرارات وتعميق الشبكة العصبية. في نفس الوقت،قم بتدريب CNN (80,236 معلمة) لتعلم المعلمة الفائقة لحجم الخطوة.
أثناء تدريب الشبكة العصبية،استخدم الباحثون PyTorch،يوفر في الوقت نفسه أدوات إنشاء مجموعات البيانات والتحليل المعياري.
عنوان GitHub:
https://github.com/Lukeli0425/Galaxy-Deconv
الأداء عند مستويات SNR مختلفة
قام الباحثون باختبار الطريقة المقترحة عند مستويات مختلفة من نسبة الإشارة إلى الضوضاء وقارنوا أداءها مع خوارزميات أخرى (كما هو موضح في الشكل أدناه). يمكن أن نجد أنه عند نسب الإشارة إلى الضوضاء المنخفضة، تنتج خوارزمية ريتشاردسون-لوسي نتيجة إعادة بناء أكثر ضوضاء، حيثستضيع المجرة تدريجيا في النمط الصاخب للخلفية.
على الرغم من أن الأساليب الحديثة قادرة على قمع الضوضاء الخلفية،ولكنه سيؤدي إلى تشويه شكل المجرة.وهذا ملحوظ بشكل خاص عند نسب الإشارة إلى الضوضاء المنخفضة. استخدم الباحثون مجموعة FPFS لتقدير الإهليلجية، جنبًا إلى جنب مع PSF المعروف للترشيح العكسي، أو استخدموا PSF بنقطة واحدة كمقدر مستقر بدون ترشيح عكسي، والذي تم تطبيقه على مخرجات جميع طرق التحليل اللانهائي المشاركة في هذه الورقة.
مع انخفاض نسبة الإشارة إلى الضوضاء،باستثناء ADMM غير الملفوف المقترح في هذه الورقة، أصبحت جميع الطرق غير فعالة تدريجيا.
كما هو موضح في الشكل أعلاه، مع انخفاض نسبة الإشارة إلى الضوضاء،الشبكة العصبية ADMM غير الملفوفة المكونة من 8 تكرارات المقترحة في البحث لها أفضل أداء في نسب الإشارة إلى الضوضاء المختلفة.
الموازنة بين الوقت والأداء
كما هو موضح في الشكل أدناه، فإن نسبة الإشارة إلى الضوضاء في صور المجرة المقابلة للصور الثلاث هي 20 و40 و100 على التوالي. تُظهر أشرطة الخطأ خمسة أضعاف الخطأ المعياري، وتشير الأرقام الموجودة بين قوسين إلى عدد التكرارات.
تظهر طريقة ADMM غير الملفوفة المكونة من 8 تكرارات المقترحة في البحث أداءً أفضل وتباينًا أقل من الطرق الأخرى عند مستويات SNR مختلفة.ولكن التكلفة هي وقت حساب أطول.
المتانة في مواجهة الأخطاء المنهجية في PSF
في الملاحظات الفعلية، يتم حساب PSF في مركز المجرة عن طريق استيفاء PSFs التي تم قياسها بواسطة النجوم. ومع ذلك، فإن التباين المكاني لـPSF في مجال الرؤية غالبا ما يكون من الصعب نمذجةه. لذلك، لا يمكن للاستيفاء إعادة بناء PSF الفعال بين المجرات بدقة.يتطلب هذا أن تكون خوارزمية إزالة الالتواء قوية ضد الأخطاء المنهجية في PSF.
كما هو موضح في الشكل أدناه، فإن الشكل الأيسر يتوافق مع خطأ القص في PSF المفترض، والشكل الأيمن يتوافق مع خطأ الحجم (FWHM) في PSF. يمكن لشريط الرسوم المتحركة الموجود أسفل المحور الأفقي عرض الخطأ المنهجي لـPSF بصريًا.
تعتبر طرق ADMM غير الملفوفة والطرق الكلاسيكية التي اقترحها الباحثون أكثر حساسية لعدم تطابق النموذج.عندما يكون خطأ PSF كبيرًا، يعمل unrolled-ADMM بشكل مماثل أو أفضل من الطرق الحديثة.
دراسات الاستئصال
من خلال تغيير بنية الشبكة وإعادة التدريب،قام الباحثون بعزل تأثيرات اختيارات التصميم الفردية على ADMM غير الملفوفة.كما هو موضح في الشكل أدناه، فإن تغيير دالة الخسارة من الخسارة متعددة المقاييس المقترحة إلى خسارة الشكل (كما هو موضح في الخط المتقطع السماوي) أو MSE (كما هو موضح في الخط الصلب السماوي) سيؤدي إلى تدهور الأداء قليلاً؛ إن إزالة SubNet (الخط الأرجواني المتقطع) أو الطبقات التكرارية اللاحقة سوف يؤدي إلى تدهور الأداء عند نسبة إشارة إلى ضوضاء عالية؛ سيؤدي تدريب أداة إزالة الضوضاء دون إزالة الالتفاف (تدريب على غرار ADMMNet) إلى تدهور الأداء بشكل كبير.
ومن خلال التجارب توصلت هذه الدراسة إلى النتائج المذكورة أعلاه.ومع ذلك، يقترح الباحثون أنه لا يزال من الممكن إجراء تحسينات مستقبلية في المجالات التالية:
* النظر في الأخطاء ذات الدرجة الأعلى في PSF وحلها لتحقيق أداء أفضل؛
* يمكن تحسين بيانات المحاكاة باستخدام نماذج بصرية LSST PSF أكثر دقة ونماذج توليدية أكثر واقعية؛
* يمكن تضمين استيفاء PSF في خط الأنابيب ودمجه مع التفاف منخفض الرتبة.
في الوقت الحالي،تم إتاحة الكود الخاص بإعادة إنشاء البيانات المحاكاة لهذه الدراسة ورابط مجموعة البيانات كمصدر مفتوح.
الطالب المتفوق في جامعة تسينغهوا يجمع بشكل مثالي بين الاهتمامات والبحث العلمي
ومن الجدير بالذكر أن المؤلف الأول لهذه الورقة هو لي تياناو،الدراسة الجامعيةقسم الهندسة الإلكترونية، جامعة تسينغهوا.وفقًا لموقعه الشخصي، فقد عمل كمساعد باحث في مختبر الذكاء البصري والتصوير الحاسوبي في جامعة تسينغهوا.أعمل حاليًا كمتدرب بحثي في مختبر الرؤية المستوحاة بيولوجيًا في جامعة نورث وسترن.تم دراسته تحت إشراف إيما ألكسندر (المؤلف الثاني لهذه الورقة).
وبحسب التقارير، فإنه يركز بشكل أساسي على تقاطع التصوير الحسابي، ورؤية الكمبيوتر، ومعالجة الإشارات، والتحسين، والتعلم الآلي، وخاصة في حل المشكلات العكسية في التصوير، والتعلم الآلي الموجه بالفيزياء، وأبحاث التصوير الفلكي.
في الوقت الحاضر، يبرز الذكاء الاصطناعي في جميع مناحي الحياة، وعلم الفلك ليس استثناءً.لقد أدى ارتفاع قوة الحوسبة وظهور عصر البيانات الضخمة إلى جلب المزيد من الإمكانيات إلى مجال علم الفلك، والذي كان يتطلب في الأصل قوة حوسبة هائلة.
يستخدم العلماء اليابانيون تلسكوبًا ذكيًا مدعومًا بالذكاء الاصطناعي لتصنيف الأجسام في الفضاء، مما يساعد علماء الفيزياء على كتابة واختبار الفرضيات. نجح علماء فلك هنود في إنشاء خوارزمية ذكاء اصطناعي جديدة لتحديد نحو 60 كوكبا قد تكون صالحة للحياة من بين 5000 كوكب معروف. استخدمت مجموعة من علماء الفلك الذكاء الاصطناعي لأول مرة في دراسة اندماج المجرات، مؤكدين أن اندماج المجرات يؤدي إلى انفجارات النجوم.أطلقت شركة تينسنت والمرصد الفلكي الوطني "مشروع استكشاف النجوم" لتحسين كفاءة استكشاف النجوم...
يستخدم عدد متزايد من علماء الفلك الذكاء الاصطناعي كأداة استكشاف قوية. كما قال لي تشي، الباحث في المرصد الفلكي الوطني التابع للأكاديمية الصينية للعلوم وكبير العلماء في FAST:إن السؤال عما إذا كان علم الفلك يستخدم التعلم الآلي والتعلم العميق وغيرهما من التقنيات يشبه السؤال عما إذا كان علم الفلك يستخدم أجهزة الكمبيوتر قبل عشرين عامًا.