Enabling New Discoveries with Machine Learning

Het universum wordt te luid voor menselijke oren om alleen naar te luisteren. In de komende jaren zullen enorme nieuwe telescopen beginnen met het scannen van de hemel, waarbij ze beelden en signalen vastleggen op een tempo dat alles overtreft waar astronomen ooit mee te maken hebben gehad. Eén project, de Vera C. Rubin Observatory, zal uiteindelijk ongeveer 20 miljard optische sterrenstelsels catalogiseren en meer dan 10 miljoen keer per nacht iets zien veranderen aan de hemel. Een ander, de Square Kilometre Array, zal meer dan een miljard radiosterrenstelsels ontdekken. Wanneer de data in zulke overweldigende hoeveelheden binnenkomt, wordt de oude methode waarbij een wetenschapper gaat zitten om elk beeld of signaal één voor één te bekijken, onmogelijk. De uitdaging is niet langer alleen het verzamelen van de data, maar het vinden van de naald in de hooiberg wanneer de hooiberg zo groot is als een planeet.

Om dit op te lossen, wenden onderzoekers zich tot machine learning, een vakgebied waar computers leren patronen te herkennen zonder dat ze expliciet voor elke regel geprogrammeerd zijn. Een simpel computerprogramma dat alles wat ongewoon is markeert, is echter niet voldoende. In een dataset gevuld met miljarden objecten kan een computer een glitch in de camera of een vlek op de lens als "vreemd" markeren, ook al heeft het geen wetenschundige waarde. Het echte doel is om de werkelijk interessante anomalieën te vinden: de zeldzame, nieuwe of onverwachte objecten die ons begrip van het kosmos kunnen herschrijven. Hier komt het werk van Michelle Lochner en haar collega's kijken, die een nieuwe manier bieden om de kloof tussen ruwe rekenkracht en menselijke nieuwsgierigheid te overbruggen.

De onderzoekers ontwikkelden een tool genaamd astronomaly, een systeem ontworpen om wetenschappers te helpen deze enorme datasets efficiënt te doorzoeken. In plaats van te proberen de computer precies te leren hoe een nieuw type object eruitziet — wat onmogelijk is als er nog nooit iemand een dergelijk object heeft gezien — gebruikt het systeem een methode genaamd active learning. In dit proces scant de computer de data en presenteert een kleine selectie van de meest veelbelovende kandidaten aan een menselijke wetenschapper. De wetenschapper labelt deze vervolgens als interessant of oninteressant. De computer leert van deze keuzes, verfijnt zijn begrip van wat de mens waardevol vindt, en sorteert vervolgens de rest van de data dienovereenkomstig. Dit creëert een partnerschap waarbij de machine de zware taken van het sorteren afhandelt, terwijl de mens de intuïtie biedt om de werkelijk significante ontdekkingen te spotten.

Deze aanpak heeft al geleid tot echte bevindingen. Met behulp van astronomaly identificeerde het team een nieuw type radiobron genaamd SAURON, wat staat voor een Steep and Uneven Ring of Nonthermal radiation (een steile en onregelmatige ring van niet-thermische straling). Dit object, gevonden in data van de MeerKAT Galaxy Cluster Legacy Survey, ziet er niet uit als een bekende bron en zou het restant kunnen zijn van twee samensmeltende supermassieve zwarte gaten. Het systeem hielp ook bij het ontdekken van ongebruikelijke variabele sterren en botsende sterrenstelsels die door traditionele methoden waren gemist. In één geval analyseerde de tool bijna 4 miljoen optische beelden van de Dark Energy Camera Legacy Survey, waarbij een dozijn specifieke bronnen werd uitgelicht die menselijke experts het meest intrigerend vonden, inclusief objecten die de standaardclassificatie tartten.

Een cruciaal onderdeel van dit succes ligt in hoe de computer de data begrijpt. Decennialang moesten wetenschappers handmatig de kenmerken ontwerpen waar de computer naar moest zoeken, zoals de vorm van een sterrenstelsel of de helderheid van een ster in de loop van de tijd. Dit was een moeilijke stap die de computer vaak beperkte in wat hij kon vinden. Het nieuwe werk laat zien dat het gebruik van deep learning, een geavanceerdere vorm van machine learning, de computer in staat stelt om deze kenmerken zelfstandig te ontdekken. Door een computer te trainen om complexe patronen in beelden te herkennen, kan het systeem een rijke, interne kaart van de data creëren. Toen de onderzoekers deze methode toepasten, merkten ze dat de computer vergelijkbare sterrenstelsels beter bij elkaar kon groeperen en de ongebruikelijke objecten met veel grotere nauwkeurigheid van de normale kon scheiden dan voorheen.

De onderzoekers ontdekten echter een subtiele maar belangrijke wending in hoe deze geavanceerde systemen werken. Bij het gebruik van oudere, handmatig ontworagen kenmerken, bevonden vreemde objecten zich meestal aan de uiterste rand van de datakaart, waardoor ze gemakkelijk als uitschieters te spotten waren. Maar met de nieuwe deep learning-methoden werden de vreemde objecten vaak diep in de kaart gevonden, vermengd met de normale objecten. Een computer die alleen zoekt naar dingen die aan de rand zitten, zou hen missen. Om dit op te lossen, verfijnde het team hun aanpak met een versie van de tool genaamd astronomaly: protege. In plaats van alleen te zoeken naar statistische afwijkingen, richt deze versie zich volledig op wat de menselijke gebruiker interessant vindt, en leert direct van hun feedback om de complexe datakaart te navigeren.

Het artikel concludeert dat de toekomst van ontdekking in de astronomie afhangt van dit specifieke type partnerschap tussen mens en machine. Naarmate de vloedgolf aan data van nieuwe telescopen groeit, zal het vermogen om de zoektocht naar het buitengewone te automatiseren essentieel zijn. De onderzoekers betogen dat, omdat "interessant" een subjectieve kwaliteit is die per wetenschapper verschilt, de beste weg vooruit niet is om het perfect in code te definiëren, maar om systemen te bouwen die het van ons leren. Door de snelheid van machines te combineren met de intuïtie van menselijke experts, kunnen astronomen ervoor zorgen dat de volgende grote ontdekking, misschien wel even verrassend als de eerste pulsar die door Jocelyn Bell Burnell werd gevonden in 1967, niet verloren gaat in de ruis.