2000 年以降の清華大学の修士は AI を使用して大気中の「魔法の攻撃」を破り、宇宙の本当の姿を復元しました

2 年前

情報

AI

雰囲気

天文学

機械学習

ディープラーニング

zhaorui

特色图像

大気の存在は地球上の生命にとって極めて重要ですが、天体観測の場合、大気は霧や視界、大気消滅などの現象を引き起こす可能性があります。世界最高の地上望遠鏡であっても、天体画像はぼやけています。この曖昧さは時々誤った物理測定を引き起こし、天文学者の科学の進歩に影響を与えます。

この課題に対処するために、最近、清華大学のリー・ティアナオやノースウェスタン大学のエマ・アレクサンダーなどの研究者が、コンピュータービジョンアルゴリズムは、天文画像を鮮明にして「復元」するために、シミュレートされたデータを使用してトレーニングされました。このアルゴリズムはベラ C. ルービン天文台の画像パラメータにも適合しており、来年オープンする際にこのツールが同天文台と直接互換性を持つようになりました。

現在、展開されたプラグアンドプレイADMMによる弱い重力レンズのための銀河画像デコンボリューションというタイトルの研究結果が発表されています。王立天文学協会の月刊通知に掲載されました。

この研究の結果は、英国王立天文学協会の月刊通知に掲載されました。

用紙のアドレス:

https://academic.oup.com/mnrasl/article/522/1/L31/7075894

実験の詳しい説明：AIアルゴリズムを使って天体画像の「魔法を解く」

研究者はこの研究を使用して、シミュレートされた大気のぼやけを除去します

この論文では、研究チームは、楕円率誤差 (楕円率誤差)、計算時間、PSF 誤差に対する感度を含む実際のシミュレーション データに対して古典的および最新のぼけ除去手法をベンチマークしました。その結果は次のことを示しています。unrolled-ADMM では、あいまいさを排除する従来の方法と比較して 38.6% のエラーが削減され、最新の方法と比較して 7.4% のエラーが削減されます。

最新のアプローチ GitHub アドレス:

https://github.com/lukeli0425/galaxy-deconv

画像処理 

古典的な手法のベンチマークを作成し、ニューラル ネットワークをトレーニングするには、きれいなグラウンド トゥルース画像を実際の PSF およびノイズの多いぼやけた画像と組み合わせる必要があります。この目的を達成するために、研究者はGalsimを使用しています (モジュール式銀河画像シミュレーション ツールキット) COSMOS (COSMOS 実銀河データセット) は地上観測をシミュレートし、テスト データセットを作成しました。

ガルシム:

https://github.com/GalSim-developers/GalSim

COSMOS 実銀河データセット:

https://doi.org/10.5281/zenodo.3242143

画像処理プロセスの概要

元の画像をランダムに剪断および回転して弱いレンズ効果をシミュレートし、次にこれらの画像をランダムな大気および光学 PSF を使用して畳み込み、ガウス ノイズを追加する前に明るさをスケーリングしました。最後に、すべての画像が LSST のピクセル スケールにダウンサンプリングされます。

データセットは現在、HyperAI 公式 Web サイトで入手できます。

https://hyper.ai/datasets/23544

ニューラルネットワークトレーニング 

研究者らは、Adam オプティマイザーを使用して、NVIDIA GeForce RTX 2080 Ti GPU 上の 40,000 サンプルでトレーニングしました。その中で、マルチスケール L1 損失関数を使用して、50 エポックのグラウンド トゥルース画像と再構成画像をトレーニングしました。ResUNet をノイズ除去プラグインとして使用して (17,007,744 パラメーター)、反復数ごとに個別のネットワーク (N=2、4、8) がトレーニングされました。ニューラルネットワークにスキップ接続を導入し、これにより、反復回数の増加やニューラル ネットワークの深化によって引き起こされる勾配の消失や爆発が回避されます。同時に、CNN (80,236 パラメーター) をトレーニングしてストライド ハイパーパラメーターを学習します。

ニューラル ネットワークのトレーニング プロセス中に、研究者らは PyTorch を使用しました。Sync は、データセット生成およびベンチマーク ツールを提供します。

GitHub アドレス:

https://github.com/Lukeli0425/Galaxy-Deconv

  さまざまな SNR レベルでのパフォーマンス 

研究者らは、提案された方法をさまざまな SNR レベルでテストし、そのパフォーマンスを他のアルゴリズムと比較しました (下の図を参照)。信号対雑音比が低い場合、Richardson-Lucy アルゴリズムはノイズの多い再構成結果を生成することがわかります。銀河は徐々に背景のノイズパターンの中に埋もれていきます。

さまざまな SNR レベルでのパフォーマンス グラフ

最新の方法ではバックグラウンドノイズを抑制できますが、しかし、それは銀河の形を歪めてしまいます。これは、信号対雑音比が低い場合に特に顕著です。研究者は、楕円率推定に FPFS スイートを使用し、逆フィルタリングのために既知の PSF と組み合わせたり、逆フィルタリングを行わずに単一点 PSF を安定した推定器として使用したりしています。これは、この論文のすべての側面に適用されます。

SNR が低下すると、この論文で提案されている unrolled-ADMM を除いて、すべての方法は徐々に失敗します。

さまざまな SNR レベルでの中央楕円率誤差

上の図に示すように、SNR が低下すると、この論文で提案されている 8 反復のアンロール ADMM ニューラル ネットワークは、さまざまな SNR で最高のパフォーマンスを示します。

時間とパフォーマンスのトレードオフ 

下の図に示すように、3 つの画像に対応する銀河画像の S/N 比はそれぞれ 20、40、100 です。誤差バーは標準誤差の 5 倍を示し、括弧内の数字は反復回数を示します。

異なる SNR での時間とパフォーマンスのトレードオフ

この論文で提案されている 8 反復アンロールド ADMM 方法は、さまざまな SNR レベルで他の方法よりも優れたパフォーマンスと低い分散を示しています。ただし、その代償として計算時間が長くなります。

PSF の系統的エラーに対する堅牢性 

実際の観測では、銀河中心の PSF は恒星の測定値から PSF を補間して計算されますが、視野内の PSF の空間的分散をモデル化することは困難なことが多いため、補間では実効値を正確に再構成できません。銀河間のPSF。これには、デコンボリューション アルゴリズムが PSF の系統的誤差に対して堅牢であることが必要です。

下図に示すように、左図は想定した PSF におけるせん断誤差 (shear error) に対応し、右図は PSF における寸法誤差 (FWHM) に対応します。横軸の下の漫画バーは、PSF の系統誤差を視覚的に表示できます。

PSF の系統的誤差が楕円率誤差につながると想定されています

研究者らによって提案されたアンロールド ADMM および従来の手法は、モデルの不一致に対してより敏感です。PSF エラーが大きい場合、unrolled-ADMM は最新の方法と同等かそれ以上のパフォーマンスを発揮します。

アブレーション研究 

ネットワーク構造を変更して再学習することで、研究者らは、個々の設計選択がアンロール型 ADMM に及ぼす影響を分離しました。以下の図に示すように、損失関数を提案されたマルチスケール損失からシェイプ損失 (シアンの破線など) または MSE (シアンの実線など) に変更すると、ハイパーパラメーター サブネット (紫色の破線) が削除され、パフォーマンスがわずかに低下します。ライン）または後続の反復層では、高 SNR でのパフォーマンスが低下します。デコンボリューションではなくデノイザーをトレーニングすると（ADMMNet スタイルのトレーニング）、パフォーマンスが大幅に低下します。

アブレーション研究では、ネットワークとトレーニング設計の選択から寄与を分離する

実験を通じて、この研究は上記の結果を達成しました。ただし、研究者らは、今後も次の点で関連する改善を行うことができると提案しました。

* パフォーマンスを向上させるために、PSF の高次エラーを考慮して解決します。

* シミュレーション データは、より正確な LSST PSF 光学モデルとより現実的な生成モデルを使用して改善できます。

* PSF 補間はパイプラインに含めることができ、低ランクのデコンボリューションと組み合わせることができます。

現在のところ、この研究のシミュレートされたデータを再生成するコードとデータセットへのリンクはオープンソース化されています。

清華大学のトップ学者が興味と科学研究を完璧に組み合わせる

この論文の筆頭著者であるLi Tianao氏が次のように述べていることは注目に値します。学部での研究清華大学電子工学科。彼の個人ウェブサイトの情報によると、彼は清華大学の視覚知能および計算画像研究室で研究助手として働いていました。現在、米国ノースウェスタン大学のバイオインスパイアード・ビジョン研究所で研究インターンとして働いています。エマ・アレクサンダー（本論文の二人目の著者）に師事。

報告書によると、彼は主に計算画像処理、コンピュータビジョン、信号処理、最適化、機械学習の交差点、特に画像処理における逆問題解決、物理学に基づく機械学習、天体画像処理に焦点を当てているという。

今日、科学 AI はあらゆる分野で台頭しており、天文学も例外ではありません。計算能力の向上とビッグデータ時代の到来は、もともと膨大な計算能力を必要とした天文学の分野にさらなる可能性をもたらしました。

日本の科学者は、AI を搭載したスマートな望遠鏡を使用して宇宙の物体を分類し、物理学者が仮説を立てて検証するのを支援しています。インドの天文学者らは、既知の5,000の惑星から人間が居住できる可能性のある約60の惑星を特定する新しいAIアルゴリズムを開発した。天文学者のグループが銀河合体の研究にAIを初めて使用し、銀河合体が恒星の爆発を引き起こすことを確認した。テンセントと国立天文台は、星探査の効率を向上させるために「星探査計画」を立ち上げました...

中国科学院国立天文台の研究者であり、FASTの主任研究員でもあるLi Gu氏は、次のように述べているように、AIを強力な探査ツールとして利用する天文学者が増えている。天文学者に機械学習、深層学習、その他のテクノロジーを使用しているかどうかを尋ねるのは、20 年前に天文学でコンピューターが使用されていたかどうかを尋ねるようなものです。