De La Proposition À La Vue D'un Trou Noir, Les Efforts De Près De Dix Générations Sont Derrière Lui
Face à la quantité massive de données générées par les expériences astronomiques, les technologies d’IA telles que l’apprentissage automatique et les réseaux neuronaux peuvent grandement améliorer l’efficacité du traitement des données. GAN peut réparer les images qui ont été endommagées ou qui ont perdu des pixels, ou rendre les photos floues plus claires. En outre, l’IA peut également fournir de nouvelles idées pour la recherche scientifique.
Le 10 avril 2019 à 21 heures, les scientifiques participant au projet EHT publieront des photos de trous noirs dans de nombreux endroits du monde. Ce corps céleste mystérieux et rempli de fantaisie révélera son vrai visage ce soir !
C'est la première fois dans l'histoire qu'une vie à base de carbone « voit » directement un trou noir.Mais vous savez, sans l’aide de la technologie de l’IA, ce moment pourrait être encore lointain.
Face à l’énorme quantité de données générées par les expériences astronomiques (plusieurs To de données sont générés chaque jour), il est inimaginable de s’appuyer uniquement sur des équipes humaines pour les gérer. En conséquence, l’IA est devenue un outil important pour les scientifiques.
Des quantités désespérément importantes de données astronomiques nécessitent l'IA
L’astronomie a longtemps été entourée d’une quantité désespérée de données.
Par exemple, le Square Kilometer Array, un radiotélescope utilisé depuis le XXe siècle, génère désormais chaque année des données équivalentes à l’ensemble du trafic Internet.
Sans l’aide des superordinateurs et l’assistance d’algorithmes intelligents, la libération de la « photo » du trou noir serait retardée indéfiniment.
L’intervention de l’IA rend les choses plus claires.Grâce aux technologies d’IA telles que l’apprentissage automatique et les réseaux neuronaux, des résultats efficaces et fiables peuvent être obtenus avec un minimum d’intervention humaine.
À l’heure actuelle, de nombreux contenus d’intelligence artificielle ont été introduits dans la recherche astronomique, tels que : l’utilisation d’algorithmes d’apprentissage automatique pour archiver et classer les données d’observation astronomique ; utiliser des modèles d’apprentissage automatique pour prédire la météo spatiale, l’activité solaire et découvrir de nouveaux corps célestes.
Des chercheurs de l’Université du Kansas affirment que le nombre d’articles d’astronomie utilisant l’apprentissage automatique a été multiplié par au moins cinq au cours des cinq dernières années.
Analyser les données avec l'IA
En 2007, le scientifique Schawinski était confronté à une tâche ardue : classer des milliers de galaxies en fonction de leur apparence.
Comme il n'existait pas à l'époque de logiciel prêt à l'emploi pour cette tâche, il a eu une idée : confier la tâche à des internautes ordinaires et leur demander de l'aider à noter et à compléter la classification, ce qui était un projet énorme. Mais aujourd'hui,Grâce à l’IA, cette tâche ardue peut être accomplie en seulement un après-midi.
Selon David Hogg, astronome à l’Université de New York, son travail est indissociable de l’IA.Utiliser des techniques telles que les réseaux neuronaux pour classer les étoiles à partir de spectres et utiliser des modèles basés sur les données pour étudier certaines des propriétés physiques des étoiles.
Dans un article publié dans Astronomy & Astrophysics en décembre dernier, une équipe de l'ETH Zurich a rapporté queUtiliser des modèles génératifs pour étudier les changements physiques que subissent les galaxies au cours de leur évolution.Leur modèle crée des ensembles de données artificielles comme moyen de simuler et de tester des processus physiques. Par exemple, ils ont utilisé la simulation de modèle pour explorer le phénomène selon lequel le taux de formation chute fortement pendant la formation des étoiles, ce qui est lié à l’augmentation de la densité de l’environnement galactique.
Exploiter les algorithmes d'apprentissage automatique pour faire de nouvelles découvertes
À l'Institut d'études théoriques de Heidelberg, Kai Polsterer dirige un groupe d'astroinformatique, où ils se concentrent sur les méthodes centrées sur les données pour l'astrophysique. Récemment, ils ont utilisé des algorithmes d’apprentissage automatique pour extraire des informations sur le décalage vers le rouge (un effet qui démontre l’expansion de l’univers) à partir d’ensembles de données de galaxies, ce qui était auparavant une tâche difficile.
Elena Rossi, chercheuse à l'observatoire de Leyde aux Pays-Bas, a construit un modèle de réseau neuronal pour extraire les caractéristiques souhaitées des données lors de l'étude d'étoiles hypervéloces extrêmement rares, puis les a filtrées et extraites davantage.
L'algorithme a été utilisé dans les photos publiées par le satellite Gaia.Parmi 1 milliard d’étoiles, 80 étoiles candidates à hypervitesse ont été sélectionnées. Après une analyse finale par des scientifiques, six étoiles hypervéloces ont été confirmées.Ce chiffre est une bonne récolte pour la première série de recherches.
Mais Polsterer a également souligné que les systèmes d’IA ne sont pas encore parfaits et que la plupart des algorithmes ne peuvent effectuer que le travail pour lequel ils ont été formés.Parfois, ça se passe mal.Par exemple, si vous lui donnez une image d'une galaxie, le logiciel peut estimer les informations de décalage vers le rouge et l'âge de la galaxie, mais si vous donnez au système une image aléatoire, comme un selfie ou un poisson, il produira également un résultat.
Par conséquent, à ce stade, l’utilisation de l’IA nécessite encore l’encadrement et la formation de scientifiques humains.
L'IA a réussi à « chasser » les exoplanètes
Même s’il reste encore du chemin à parcourir, l’IA a déjà obtenu quelques résultats en astronomie. Par exempleÀ la recherche d'exoplanètes.
« Chasser » des exoplanètes dans l’univers est une tâche très difficile. Comparées à leurs étoiles hôtes, les exoplanètes non seulement ne parviennent pas à générer de chaleur, mais sont également trop petites, comme si l'on cherchait une luciole volant sous un projecteur à des milliers de kilomètres de distance.
Dans le passé, les astrophysiciens ont recherché des exoplanètes principalement manuellement et en utilisant des logiciels automatisés pour analyser de grandes quantités de données du projet Kepler de la NASA.
Ces points de données représentent environ 2 quadrillions d’orbites planétaires possibles, et trouver une planète dans une base de données aussi énorme prendrait beaucoup de temps, même aux ordinateurs les plus puissants.L’émergence de l’apprentissage automatique a effectivement raccourci ce délai.
En 2017, Chris Shallue, chercheur en IA chez Google et passionné d'exploration spatiale, et Andrew Vanderburg, astrophysicien à l'UT Austin (Université du Texas à Austin), ont découvert avec succès deux nouvelles planètes : 80g et 90i dans la galaxie Kepler-90 à 2 545 années-lumière de la Terre grâce à un modèle TensorFlow.
Pour améliorer la précision du modèle TensorFlow dans l’identification des planètes et éviter de confondre d’autres corps célestes tels que les taches solaires et les étoiles binaires avec des planètes, les ingénieurs ont utilisé un ensemble de données de plus de 15 000 signaux Kepler pour entraîner le modèle. Leurs résultats ont également démontré queLa précision de l'apprentissage automatique dépasse 90%, c'est-à-dire qu'il est possible d'utiliser l'IA pour explorer l'univers et découvrir de nouveaux corps célestes.
Il y a quelques jours à peine, Anne Dattilo, étudiante à l'Université du Texas, a utilisé un algorithme d'IA simple pour découvrir deux exoplanètes à 1 300 années-lumière des données d'observation du télescope Kepler.
Lorsque les données forment un océan, le traitement manuel revient à chercher une aiguille dans une botte de foin, mais si elles sont confiées à l’IA, cela peut être un jeu d’enfant.
Il a fallu deux ans pour traiter les données afin de « voir » le trou noir
Pour revenir à la question de « voir » les trous noirs, de telles découvertes n’affecteront peut-être pas notre vie quotidienne avant longtemps. Mais n’oubliez pas que les gens ont commencé à observer les étoiles il y a des milliers d’années, ce qui a conduit à la grande exploration spatiale d’aujourd’hui. L’intervention de l’IA pourrait bien ajouter des ailes à notre exploration.
Pendant longtemps, la compréhension des trous noirs par les gens, en dehors des descriptions conceptuelles théoriques, n'est que des représentations de science-fiction et des images de l'imagination artistique.
Le nom du trou noir est très vivant, expliquant sa caractéristique de « tout accepter » : un corps céleste avec une masse énorme formera une attraction extrêmement forte, et tout objet le traversant sera absorbé, même la lumière ne pourra pas s'échapper.
Pour être plus précis, sa gravité est si forte que la lumière ne peut s’échapper de sa sphère d’influence. Cette plage est appelée « l’horizon des événements » du trou noir.Dans l'horizon des événements, la lumière est « avalée » et, comme le trou noir lui-même n'émet pas de lumière, il ne peut pas être observé directement.
Alors comment avons-nous observé ce communiqué de presse ?
En fait, cette fois-ci, nous nous concentrons toujours sur les effets environnants causés par le trou noir. Parfois, le nuage de gaz autour d'un trou noir sera très proche et, sous l'influence d'une énorme gravité, le nuage de gaz tournera autour du trou noir pour former un disque de matière. Le gaz est chauffé par frottement et émet un fort rayonnement. Et la vitesse de rotation devient de plus en plus rapide, passant finalement par l'horizon des événements et disparaissant à jamais dans le trou noir.Ce que le télescope Event Horizon observe est l’anneau de lumière en forme de disque entourant le contour d’un trou noir.
Mais pour observer ce phénomène, en plus de choisir un trou noir à la bonne distance et à la bonne taille, il faut également un télescope avec une résolution suffisamment grande.
En 2017, plusieurs télescopes du monde entier ont formé un puissant réseau d'observation appelé Event Horizon Telescope (EHT) grâce à la technologie d'imagerie interférométrique, et les objets d'observation étaient le trou noir Sagittarius A* au centre de la Voie lactée et le trou noir de la galaxie M87.
Ce n’est qu’après avoir effectué un tel déploiement qu’il est possible de photographier le trou noir. et,Ces radiotélescopes ne prennent pas directement de photos, mais collectent de grandes quantités de données, qui sont ensuite traitées en images par les scientifiques.
De la fin du « tournage » à la sortie finale, l’attente a été longue de deux ans. Étant donné que la quantité de données est aussi élevée que le niveau PB, en plus du transport et de l'agrégation des données provenant de divers endroits, l'analyse et le calcul finaux consomment également beaucoup de temps. Selon les rapports pertinents,Lors du traitement, des techniques connexes telles que « l’analyse en composantes principales » sont également utilisées.
Plus de 230 ans se sont écoulés depuis que les scientifiques ont proposé pour la première fois le concept de trous noirs en 1783, et c'est maintenant que nous sommes les plus proches de la vérité sur les trous noirs. Nous aurons l’opportunité de devenir le premier public à connaître la réponse.
Quant aux détails spécifiques et aux résultats finaux, attendons avec impatience la conférence de presse de ce soir ! L'équipe du projet EHT et l'Académie chinoise des sciences présenteront cette dernière réalisation à l'observatoire astronomique de Shanghai.
L'heure de la conférence de presse est l'heure de Pékin 10 avril 2019 21h00, publié simultanément dans six villes du monde, dont Shanghai, Bruxelles, Belgique (anglais), Santiago, Chili (espagnol), Tokyo, Japon (japonais), Taipei, Chine (chinois) et Washington, États-Unis (anglais).
Attendons ensemble avec impatience l’arrivée de ce moment historique !