IA e astrofisica: reti neurali per misurare le galassie
Un gruppo internazionale di scienziati, tra i quali emergono alcuni importanti nomi dell’Istituto Nazionale di Astrofisica (INAF), ha misurato le dimensioni di galassie distanti fino a circa sette miliardi di anni luce dalla Terra attraverso l’intelligenza artificiale.
Più precisamente, questi “sarti galattici”, sotto la guida di Nicola R. Napolitano, professore ordinario presso la Sun Yat-sen University (Cina), ha utilizzato le reti neurali, tecnica per la prima volta applicata su dati raccolti dalla Terra, e resa nota sul The Astrophysical Journal.
Questa tecnica di misurazione, si è dimostrata ancor più rapida e accurata rispetto ad altri metodi più tradizionali, fino ad ora impiegati per misurare oggetti astronomici nelle survey osservative su grandi porzioni di cielo, e basati su tecniche computazionali più lente.
Gli scienziati hanno sviluppato una rete neurale convoluzionale – la c.d. GalNet (Galaxy light profile convolutional neural network) finalizzata alla misurazione di parametri strutturali e dimensionali delle galassie. Strumento fondamentale per l’analisi di grandi moli di dati che saranno raccolte in futuro da telescopi quali Rubin ed Euclid, capaci di osservare un’immensa porzione della volta celeste (fino a un terzo).
Grazie a questi enormi database, costruiti anche grazie al contributo dei ricercatori italiani tramite il ricorso all’IA, sarà possibile studiare i processi fisici responsabili dell’evoluzione delle galassie, a partire dalle epoche primordiali dell’universo fino ad oggi.
A causa delle caratteristiche fortemente mutevoli e variabili delle galassie – le dimensioni delle galassie, infatti, variano col passare del tempo cosmico, e alcune sono cambiate fino a 4 volte negli ultimi 10 miliardi di anni, tramite il fenomeno del merging (fusione tra galassie di simile massa e dimensione – major merger – o di massa e dimensioni molto minori – minor merger) – è emersa la necessità di costruire dei parametri caratteristici delle stesse. Ciò proprio attraverso una rete neurale che ricorre al machine learning.
Tramite questa tecnica di apprendimento automatico, che si basa sull’addestramento della rete ottenuto fornendole esempi di cosa dovrà determinare (ossia immagini simulate di galassie con valori noti di alcuni parametri caratteristici), gli scienziati hanno dapprima simulato delle galassie con alcuni modelli analitici (“modelli di Sérsic”), e insegnato poi alla rete a ottenere i parametri di questi modelli (raggio che contiene metà luce, collegato alla dimensione delle galassie; pendenza del profilo di luce; ellitticità; luce totale della galassia).
Oltre ad aver addestrato la rete neurale ad imparare le proprietà delle galassie in analisi, le hanno insegnato ad individuare le proprietà del seeing atmosferico (effetto di sfocamento dovuto alla turbolenza atmosferica che devia il percorso dei raggi luminosi provenienti dallo spazio, che varia sistematicamente da galassia a galassia nelle immagini raccolte dai telescopi) più appropriato alle regioni di cielo nelle quali si trovano le galassie di interesse.
“Siamo riusciti, in questo modo, a ottenere parametri strutturali delle galassie con un’accuratezza simile a quella che si otterrebbe portando lo stesso telescopio fuori dall’atmosfera”, ha affermato Nicola Napolitano.
Grazie a questa nuova rete neurale sarà possibile ottenere “informazioni mai avute prima sulle proprietà strutturali di galassie di diversa massa, in ammassi, gruppi o isolate nell’universo, e a diverse epoche cosmiche, per tracciare i processi evolutivi che le hanno portate ad essere le galassie che sono, dal loro primo vagito, fino a quando diventeranno anziane e stanche”.
Sarà dunque possibile raggiungere porzioni di universo rimaste fino ad oggi inesplorate. Tutto ciò grazie all’Intelligenza Artificiale, strumento che, ancora una volta, si mostra in tutte le sue eccezionali potenzialità.
About Post Author
