Towards optimal photometric calibration of digital astronomical plates with deep learning

Stel je de nachthemel voor als een gigantische, eeuwenoude bibliotheek. Al meer dan een eeuw gebruikten astronomen geen digitale camera's; ze gebruikten glazen platen die gecoat waren met een speciale chemische film om het sterrenlicht vast te leggen. Deze platen zijn als tijdcapsules die snapshots van het universum van decennia of zelfs een eeuw geleden bevatten. Vandaag de dag hebben wetenschappers miljoenen van deze platen gescand in computers, in de hoop deze historische gegevens te gebruiken om te volgen hoe sterren in de loop van de tijd veranderen. Maar er is een addertje onder het gras: deze oude foto's zijn lastig. In tegen tegenstelling tot moderne digitale camera's, die licht in een rechte, voorspelbare lijn meten, reageren deze oude platen op een grillige, onvoorspelbare manier op licht. Ze raken "in de war" door hoe helder een ster is, welke kleur hij heeft en precies waar hij zich op het glas bevindt. Als je probeert de helderheid van een ster te meten met behulp van deze oude foto's zonder deze eigenaardigheden te corrigeren, zullen je getallen niet kloppen, en wordt de "bibliotheek" een beetje een rommeltje.

Dit is waar een team van astronomen met een nieuw idee naar voren kwam. Ze realiseerden zich dat de oude manier om deze foto's te corrigeren leek op het proberen te ontwarren van een knoop door slechts aan één uiteinde te trekken. Ze hadden een nieuw hulpmiddel: een type kunstmatige intelligentie genaamd een neuraal netwerk. Denk aan dit netwerk als een superintelligente detective die niet alleen naar één aanwijzing tegelijk kijkt, maar ziet hoe alle aanwijzingen — helderheid, kleur en locatie — samen draaien en buigen. Door deze detective te leren de verborgen patronen in de oude foto's te herkennen, vonden de onderzoekers een manier om de gegevens veel beter op te schonen dan voorheen, waardoor het ware potentieel van deze kosmische tijdcapsules werd ontsloten.

Het Probleem met het Oude "Recept"

Lama de tijd probeerden astronomen de fouten in deze gedigitaliseerde platen te herstellen met een methode genaamd MYX25. Stel je voor dat je een cake bakt en je weet dat het recept moet worden aangepast voor drie dingen: de hoeveelheid suiker (helderheid), het type bloem (kleur) en de temperatuur van de keuken (positie op de plaat). De oude methode behandelde deze drie ingrediënten als totaal afzonderlijke zaken. Het zou zeggen: "Oké, ik zal het suikergedeelte oplossen, dan zal ik het bloemgedeelte oplossen, en tot slot zal ik het temperatuurgedeelte oplossen."

Maar hier is het probleem: in de echte wereld werken deze dingen niet alleen. De tekst legt uit dat de "temperatuur" (de beeldkwaliteit) op deze oude platen vaak verandert afhankelijk van hoe "suikerrijk" (helder) de ster is. Een heldere ster kan er anders uitzien afhankelijk van waar hij zich op de plaat bevindt, en een zwakke ster kan er in een andere plek anders uitzien. Het oude recept zag dit verband niet. Wanneer de wetenschappers naar de restjes (de fouten) keken na het gebruik van de oude methode, zagen ze vreemde, ringvormige patronen. Het was alsof de cake perfect was in het midden, maar vreemde rimpelingen had aan de randen, en die rimpelingen veranderden afhankelijk van hoeveel suiker er in het beslag zat.

De auteurs voerden computersimulaties uit om dit te bewijzen. Ze creëerden nepdata waarbij de beeldkwaliteit veranderde op basis van de helderheid van de ster. Wanneer ze de oude "gescheiden ingrediënten"-methode gebruikten, kwamen de fouten exact terug zoals in de echte, rommelige foto's. Dit toonde aan dat de oude methode de factor miste dat helderheid en positie beste vrienden zijn — ze zijn gekoppeld, of aan elkaar vastgeplakt.

De Nieuwe Super-Detective: MFF-Net

Om dit op te lossen, bouwde het team een nieuw systeem genaamd MFF-Net (Multi-Feature Fused Network). In plaats van helderheid, kleur en positie als afzonderlijke ingrediënten te behandelen, kijkt dit nieuwe systeem ze allemaal tegelijkertijd aan, als een detective die de hele plaats delict in één oogopslag ziet.

Denk aan MFF-Net als een hoogopgeleide kunstenaar die leert een perfect portret van de hemel te schilderen. De kunstenaar krijgt vier stukken informatie voor elke ster gevoerd:

1. Hoe helder de ster op de plaat lijkt (instrumentele magnitude).
2. Welke kleur de ster heeft.
3. Waar de ster zich bevindt (de x- en y-coördinaten).

Het netwerk raadt niet alleen; het leert. Het gebruikt een speciale techniek genaamd "Fourier-codering" om de ruimte te begrijpen. Stel je voor dat je de vorm van een heuvel probeert te beschrijven. Je kunt gewoon zeggen "het is hoog in het midden", maar dat is te simpel. Of je kunt de kleine bultjes, de zachte hellingen en de grote curves allemaal tegelijkert crimineel beschrijven. MFF-Net doet dit voor de hemel; het leert de kleine bultjes en grote curves simultaan te begrijpen. Het leert dat een heldere ster in een hoek een andere correctie nodig heeft dan een heldere ster in het midden, en het ontdekt precies hoe het dat moet oplossen zonder dat de regel expliciet wordt verteld.

De Resultaten: Het Schoonmaken van de Kosmische Bibliotheek

Het team testte deze nieuwe detective op 1.200 gedigitaliseerde Chinese astronomische platen. De resultaten waren indrukwekkend.

• Precisie: De oude methode (MYX25) had een foutbereik van 0,11 tot 0,26 magnitudes (een maat voor helderheid). De nieuwe MFF-Net-methode verkleinde dit tot 0,08 tot 0,18 magnitudes. Dat is een aanzienlijke verbetering, waardoor de gegevens veel scherper worden.
• De Bonus voor Heldere Sterren: De grootste winst was voor de helderste sterren. Voor deze sterren was de nieuwe methode ongeveer twee keer zo goed als de oude, waardoor de fout met de helft werd verminderd. Dit is cruciaal omdat heldere sterren vaak het belangrijkst zijn voor bepaalde soorten astronomie, maar voorheen het moeilijkst nauwkeurig te meten waren.
• Geen Ringen Meer: Wanneer de wetenschappers de foutenkaarten bekeken na het gebruik van MFF-Net, verdwenen die vreemde ringvormige patronen. De fouten waren nu gelijkmatig verspreid, als een glad vel papier, in plaats van geclusterd in vreemde vormen.

De paper suggereert dat deze nieuwe methode het beste werkt wanneer de beeldkwaliteit sterk verandert afhankelijk van waar je kijkt en hoe helder de sterren zijn. Hoewel de verbetering er klein uit kan zien op platen die al duizenden referentiestellen bevatten (omdat de oude methode daar al een redelijk goed werk deed), blinkt het nieuwe systeem nog steeds uit als het gaat om de helderste sterren.

Waarom Dit Belangrijk Is

Dit gaat niet alleen over het maken van mooiere plaatjes; het gaat over het bruikbaar maken van het verleden voor de toekomst. Door deze oude platen met MFF-Net op te schonen, kunnen astronomen de gegevens van een eeuw geleden nu veel meer vertrouwen dan voorheen. Ze kunnen deze historische snapshots gebruiken om te bestuderen hoe sterren evolueren, hoe sterrenstelsels bewegen en hoe het universum in de loop van de tijd verandert, zonder dat ze hoeven te wachten tot er een nieuwe telescoop is gebouwd. De auteurs zijn van plan dit nieuwe framework te gebruiken om de catalogi van Chinese platen bij te werken en het uiteindelijk toe te passen op andere historische archieven over de hele wereld, om stoffige glazen platen te veranderen in een precisievenster naar onze kosmische geschiedenis.