Enabling New Discoveries with Machine Learning
Questo articolo esamina il framework Astronomaly e dimostra come la combinazione di deep learning con l'input umano attivo permetta l'automazione della scoperta scientifica attraverso l'identificazione di oggetti astronomici rari e nuovi nei massicci dataset generati dai telescopi di prossima generazione.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
L'universo sta diventando troppo rumoroso perché l'orecchio umano possa ascoltarlo da solo. Nei prossimi anni, nuovi e massicci telescopi inizieranno a scansionare il cielo, catturando immagini e segnali a un ritmo che oscura qualsiasi cosa gli astronomi abbiano mai affrontato. Un progetto, l'Osservatorio Vera C. Rubin, catalogherà infine circa 20 miliardi di galassie ottiche e rileverà qualcosa che cambia nel cielo più di 10 milioni di volte ogni singola notte. Un altro, il Square Kilometre Array, scoprirà oltre un miliardo di galassie radio. Quando i dati arriveranno in quantità così travolgenti, il vecchio metodo dello scienziato che si siede per esaminare ogni singola immagine o segnale uno alla volta diventerà impossibile. La sfida non è più solo raccogliere i dati, ma trovare l'ago nel pagliaio quando il pagliaio è grande come un pianeta.
Per risolvere questo problema, i ricercatori si stanno rivolgendo all'apprendimento automatico (machine learning), un campo in cui i computer imparano a riconoscere schemi senza essere esplicitamente programmati per ogni singola regola. Tuttavia, un semplice programma informatico che segnala qualsiasi cosa di insolito non è sufficiente. In un insieme di dati composto da miliardi di oggetti, un computer potrebbe segnalare un guasto della telecamera o una macchia su una lente come "strano", anche se non possiede alcun valore scientifico. Il vero obiettivo è trovare le anomalie davvero interessanti: gli oggetti rari, nuovi o inaspettati che potrebbero riscrivere la nostra comprensione del cosmo. È qui che entra in gioco il lavoro di Michelle Lochner e dei suoi colleghi, offrendo un nuovo modo per colmare il divario tra la pura potenza di calcolo e la curiosità umana.
I ricercatori hanno sviluppato uno strumento chiamato astronomaly, un sistema progettato per aiutare gli scienziati a setacciare questi enormi dataset in modo efficiente. Invece di cercare di insegnare al computer esattamente che aspetto ha un nuovo tipo di oggetto — il che è impossibile se nessuno ne ha mai visto uno prima — il sistema utilizza un metodo chiamato apprendimento attivo (active learning). In questo processo, il computer scansiona i dati e presenta una piccola selezione dei candidati più promettenti a uno scienziato umano. Lo scienziato etichetta poi questi candidati come interessanti o non interessanti. Il computer impara da queste scelte, affinando la sua comprensione di ciò che l'essere umano ritiene prezioso, e poi ordina il resto dei dati di conseguenza. Questo crea una partnership in cui la macchina si occupa del lavoro pesante di smistamento, mentre l'umano fornisce l'intuizione per individuare le scoperte veramente significative.
Questo approccio ha già portato a scoperte reali. Utilizzando astronomaly, il team ha identificato un nuovo tipo di sorgente radio chiamato SAURON, che sta per Steep and Uneven Ring of Nonthermal radiation (Anello di radiazione non termica ripido e irregolare). Questo oggetto, trovato nei dati della MeerKAT Galaxy Cluster Legacy Survey, non somiglia a nessuna sorgente nota e potrebbe essere il resto della fusione di due buchi neri supermassicci. Il sistema ha anche aiutato a scoprire insolite stelle variabili e fusioni di galassie che erano sfuggite ai metodi tradizionali. In un caso, lo strumento ha analizzato quasi 4 milioni di immagini ottiche della Dark Energy Camera Legacy Survey, evidenziando una dozzina di sorgenti specifiche che gli esperti umani hanno trovato più intriganti, inclusi oggetti che sfidavano la classificazione standard.
Una parte fondamentale di questo successo risiede nel modo in cui il computer comprende i dati. Per decenni, gli scienziati hanno dovuto progettare manualmente le caratteristiche (features) che il computer doveva cercare, come la forma di una galassia o la luminosità di una stella nel tempo. Questo era un passaggio difficile che spesso limitava ciò che il computer poteva trovare. Il nuovo lavoro dimostra che l'uso del deep learning, una forma più avanzata di apprendimento automatico, permette al computer di individuare queste caratteristiche da solo. Addestrando un computer a riconoscere schemi complessi nelle immagini, il sistema può creare una mappa interna ricca dei dati. Quando i ricercatori hanno applicato questo metodo, hanno scoperto che il computer poteva raggruppare galassie simili e separare quelle insolite con una precisione molto maggiore rispetto al passato.
Tuttavia, i ricercatori hanno scoperto un dettaglio sottile ma importante nel funzionamento di questi sistemi avanzati. Usando le vecchie caratteristiche progettate manualmente, gli oggetti strani tendevano a trovarsi proprio al limite della mappa dei dati, rendendoli facili da individuare come outlier (valori anomali). Ma con i nuovi metodi di deep learning, gli oggetti strani venivano spesso trovati nel profondo della mappa, mescolati con quelli normali. Un computer che cercasse solo le cose situate ai margini li avrebbe persi. Per risolvere questo, il team ha perfezionato il loro approccio con una versione dello strumento chiamata astronomaly: protege. Invece di cercare solo anomalie statistiche, questa versione si concentra interamente su ciò che l'utente umano trova interessante, imparando direttamente dal suo feedback per navigare nella complessa mappa dei dati.
L'articolo conclude che il futuro della scoperta in astronomia dipende da questo specifico tipo di partnership tra uomo e macchina. Mentre l'ondata di dati provenienti dai nuovi telescopi cresce, la capacità di automatizzare la ricerca dell' Straordinario sarà essenziale. I ricercatori sostengono che, poiché l'essere "interessante" è una qualità soggettiva che varia da scienziato a scienziato, la strada migliore non sia cercare di definirla perfettamente nel codice, ma costruire sistemi che la imparino da noi. Combinando la velocità delle macchine con l'intuizione degli esperti umani, gli astronomi possono garantire che la prossima grande scoperta, forse altrettanto sorprendente della prima pulsar scoperta da Jocelyn Bell Burnell nel 1967, non vada perduta nel rumore.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.