Dezső, Vilmos, Renáta2019. május 23., csütörtök
Tudomány

Találhat új módszereket a mesterséges intelligencia?

2018.11.12.Erdélyi Ilona
National Geographic Magyarország

Az ELTE TTK Fizikai Intézetének kutatói tanulmányukban a mesterséges neuronhálózatok módszerével vizsgálták a gravitációs lencsézést ábrázoló térképeket.

A gravitációs lencse képe: látható a kvazár négy képe, középen a narancsos árnyalatú galaxis. 
Fotó: Nasa

A mesterséges intelligencia modern módszerei a mindennapi élet és a tudomány számos területét forradalmasítják. Sok tanulmány olvasható „Deep learning …” címmel. Az ELTE TTK Fizika Intézetének kutatói, a Nature Astronomy folyóiratban közölt tanulmányukban nem csupán használják ezt a technikát, hanem egy olyan módszert mutatnak be, amit egy mesterséges neuronhálózattól „lestek el”, és amelyik minden eddiginél jobban képes kozmológiai paramétereket becsülni gravitációs lencsézést ábrázoló térképekből.

A modern asztrofizikának egyik legnagyobb kihívása a sötét anyag és sötét energia természetének megértése. A rejtély megfejtésére számos nagyszabású kozmológiai felmérés indult, amelyek nagy komplex adathalmazokat eredményeznek. Ilyen volt például a Sloan Digital Sky Survey, amelyben évek óta fontos szerepet játszanak ELTE-s kutatók is: a projekt galaxisok millióit észlelve megalkotta az univerzum háromdimenziós térképét.

Jelenlegi tudásunk szerint a világegyetem anyagmérlegének azonban csak töredékét alkotja a látszó anyag. A domináns mennyiségben előforduló sötét anyag nem bocsájt ki elektromágneses sugárzást, így közvetlenül nem látható, hatása egyedül a gravitáción keresztül jelentkezik. Ennek egyik megnyilvánulása az úgynevezett gyenge gravitációs lencsézés. Miközben a távoli galaxisok fénye felénk közeledik, a sötét anyag sűrűbb és ritkább régiói kis mértékben eltérítik a fénysugarak útját, így a galaxisok alakját torzítottan látjuk. A jelenség ahhoz hasonlítható, mint mikor nyáron az aszfalt fölött felhevült vibráló levegőn át szemléljük a távoli tájat. Sok-sok távoli galaxis megfigyelésével az „átvilágított” sötét anyag eloszlásáról térkép készíthető. Ez a gyenge gravitációs lencsézést ábrázoló térkép információt hordoz az univerzum történetéről, jellemzőiről, melynek leírására a fizikusok úgynevezett kozmológiai paramétereket vezettek be.

Ezt az információt azonban nehéz kinyerni a térképekből: a kozmológiai paraméterek, mint például az anyagsűrűség vagy a korai sűrűség fluktuációk mértéke, hosszú és bonyolult fizikai folyamatokon keresztül befolyásolják a lencsézést ábrázoló térképek pontos megjelenését. Ezt a folyamatot közvetlenül nem lehet megfordítani, megoldása egy nehéz inverz probléma. A vibráló levegős hasonlatban ennek megfelelően a háttérben eltorzult táj képéből kellene a hőmérsékletet, a légnyomást vagy éppen a nitrogén-oxid légszennyezés mértékét meghatározni.

A kutatók különböző statisztikai módszerekkel próbálnak információt kinyerni. A vizsgálatok során sötétanyag-szimulációk segítségével virtuális univerzumokat hoznak létre, melyekben sorra más és más a kozmológiai paraméterek értéke. Mindegyikben végigkövetik a fénysugarak útjait, és a torzulásokból virtuális lencsézés térképeket számolnak ki. Ezek statisztikai jellemzőit lehet aztán összevetni a valódi észlelésekkel, majd meghatározni az igazi világegyetem paramétereit. A paraméterbecslés pontossága azon múlik, hogy a statisztikai módszer mennyi információt tud kivonni a térképekből. Az eddig használt két-pont statisztikán alapuló módszerekről, pl. a legelterjedtebb és legjobban megértett teljesítmény sűrűség spektrum módszerről lehet tudni, hogy nem nyeri ki a maximális információt, de nehéz jobbat tervezni nála. Egy másik, kicsivel érzékenyebb módszer a térképeken lévő „hegyek” magasságainak hisztogramjával dolgozik. A minél pontosabb módszer azért is fontos lenne, mert annak hiányában csak – költségét tekintve is – jóval nagyobb, sokkal több galaxist érintő észlelési programmal lehet precízebb eredményt elérni.

A Komplex Rendszerek Fizikája Tanszékén dolgozó Csabai István egyetemi tanár és PhD-hallgatói más területeken már sikerrel használtak gépi tanulási módszereket. Ribli Dezső és Pataki Bálint Ármin első és második helyezést értek el orvosbiológia aktuális kihívásait megcélzó, ezernél több kutatót megmozgató nemzetközi DREAM Challenge versenyen. Pataki Bálint olyan módszert dolgozott ki, amelyik mobil szenzorok adataiból képes a Parkinson-kór korai jeleit felismerni, Ribli Dezső pedig mammográfiai képek diagnosztikájához fejlesztett ki egy pontos eljárást.

Az ELTE kutatóinak sikerült kialakítani egy olyan mélytanulási (deep learning) hálózatot, amelyik a gravitációs lencsézést ábrázoló térképekből az eddigieknél sokkal precízebben tudja meghatározni a kozmológiai paramétereket. Ez önmagában is fontos eredmény, azonban a gépi tanulási módszereket sokszor gyanakodva fogadják az egyes szakmák kutatói. Egy-egy modern mesterséges neuronhálózat több millió neuront, s akár sok millió belső paramétert tartalmazhat. A hálózat működése az ember számára áttekinthetetlen „fekete doboz”, általánosan nehéz bebizonyítani, hogy az eddig nem látott bemenetekre vajon szintén ugyanolyan pontos választ ad-e majd, mint azokra, amelyeken tanították és tesztelték.

Annak érdekében, hogy a hálózat rejtett működését feltárják, a kutatók „belenéztek a fekete dobozba”, és egy olyan részegységet találtak, amelyik különösen fontos volt a becslés során. Megvizsgálva annak paramétereit meglepve tapasztalták, hogy az nagyon hasonlít az úgynevezett Roberts-kereszt (Roberts cross) operátorhoz, amely képfeldolgozó körökben nem ismeretlen, viszont a kozmológusok eddig alkalmazták az adatok elemzésére. Kiderült, hogy a neuronháló milliónyi paramétere helyett, önmagában ennek az operátornak a használatával felépített módszer is remekül működik: a neuronháló egy olyan új egyszerű ötletet „fedezett fel”, amelyik gyorsan, átlátható módon, stabilan használható precíz kozmológiai paraméter-becslésre.

A tudományos közlemény teljes szövege ITT olvasható.

Hozzászólások

Kiderült, miért van hashajtó hatása a kávénak

Kiderült, miért van hashajtó hatása a kávénak

Az emberek mintegy harmadának a kávéfogyasztást követően néhány perccel sürgős dolga akad a lakás legkisebb helyiségében.

A bonobó anyák segítik a fiaik sikeres párzását

A bonobó anyák segítik a fiaik sikeres párzását

Az állatvilágban általában az anyák elősegíthetik a lányaik szaporodási sikerét, arról azonban nem voltak adatok, hogy a fiakkal mi a helyzet.

Megújul a Nemzetközi Mértékegységrendszer

Megújul a Nemzetközi Mértékegységrendszer

2019. május 27-tól megújul a Nemzetközi Mértékegységrendszer, az SI (Systeme International d'Unites), amelynek alapegységei mostantól természeti/technikai állandókhoz vannak kötve.

Hatalmas óceán rejtőzhet a Pluto mélyén

Hatalmas óceán rejtőzhet a Pluto mélyén

Egy új vizsgálat szerint a törpebolygó középső régiójának jeges felszíne alatt egy óceán lehet.

Okostelefonnal diagnosztizálható középfülgyulladás

Okostelefonnal diagnosztizálható középfülgyulladás

Egy okostelefon-applikáció, amely a középfülgyulladás diagnózisát hatékonyabban állapítja meg.

National Geographic 2019. májusi címlap

Előfizetés

A nyomtatott magazinra,
12 hónapra

7 800 Ft

Korábbi számok

National Geographic 2010. januári címlapNational Geographic 2010. februári címlapNational Geographic 2010. márciusi címlapNational Geographic 2010. áprilisi címlapNational Geographic 2010. májusi címlapNational Geographic 2010. júniusi címlapNational Geographic 2010. júliusi címlapNational Geographic 2010. augusztusi címlapNational Geographic 2010. szeptemberi címlapNational Geographic 2010. októberi címlapNational Geographic 2010. novemberi címlapNational Geographic 2010. decemberi címlapNational Geographic 2011. januári címlapNational Geographic 2011. februári címlapNational Geographic 2011. márciusi címlapNational Geographic 2011. áprilisi címlapNational Geographic 2011. májusi címlapNational Geographic 2011. júniusi címlapNational Geographic 2011. júliusi címlapNational Geographic 2011. augusztusi címlapNational Geographic 2011. szeptemberi címlapNational Geographic 2011. októberi címlapNational Geographic 2011. novemberi címlapNational Geographic 2011. decemberi címlapNational Geographic 2012. januári címlapNational Geographic 2012. februári címlapNational Geographic 2012. márciusi címlapNational Geographic 2012. áprilisi címlapNational Geographic 2012. májusi címlapNational Geographic 2012. júniusi címlapNational Geographic 2012. júliusi címlapNational Geographic 2012. augusztusi címlapNational Geographic 2012. szeptemberi címlapNational Geographic 2012. októberi címlapNational Geographic 2012. novemberi címlapNational Geographic 2012. decemberi címlapNational Geographic 2013. januári címlapNational Geographic 2013. februári címlapNational Geographic 2013. márciusi címlapNational Geographic 2013. áprilisi címlapNational Geographic 2013. májusi címlapNational Geographic 2013. júniusi címlapNational Geographic 2013. júliusi címlapNational Geographic 2013. augusztusi címlapNational Geographic 2013. szeptemberi címlapNational Geographic 2013. októberi címlapNational Geographic 2013. novemberi címlapNational Geographic 2013. decemberi címlapNational Geographic 2014. januári címlapNational Geographic 2014. februári címlapNational Geographic 2014. márciusi címlapNational Geographic 2014. áprilisi címlapNational Geographic 2014. májusi címlapNational Geographic 2014. júniusi címlapNational Geographic 2014. júliusi címlapNational Geographic 2014. augusztusi címlapNational Geographic 2014. szeptemberi címlapNational Geographic 2014. októberi címlapNational Geographic 2014. novemberi címlapNational Geographic 2014. decemberi címlapNational Geographic 2015. januári címlapNational Geographic 2015. februári címlapNational Geographic 2015. márciusi címlapNational Geographic 2015. áprilisi címlapNational Geographic 2015. májusi címlapNational Geographic 2015. júniusi címlapNational Geographic 2015. júliusi címlapNational Geographic 2015. augusztusi címlapNational Geographic 2015. szeptemberi címlapNational Geographic 2015. októberi címlapNational Geographic 2015. novemberi címlapNational Geographic 2015. decemberi címlapNational Geographic 2016. januári címlapNational Geographic 2016. februári címlapNational Geographic 2016. márciusi címlapNational Geographic 2016. áprilisi címlapNational Geographic 2016. májusi címlapNational Geographic 2016. júniusi címlapNational Geographic 2016. júliusi címlapNational Geographic 2016. augusztusi címlapNational Geographic 2016. szeptemberi címlapNational Geographic 2016. októberi címlapNational Geographic 2016. novemberi címlapNational Geographic 2016. decemberi címlapNational Geographic 2017. januári címlapNational Geographic 2017. februári címlapNational Geographic 2017. márciusi címlapNational Geographic 2017. áprilisi címlapNational Geographic 2017. májusi címlapNational Geographic 2017. júniusi címlapNational Geographic 2017. júliusi címlapNational Geographic 2017. augusztusi címlapNational Geographic 2017. szeptemberi címlapNational Geographic 2017. októberi címlapNational Geographic 2017. novemberi címlapNational Geographic 2017. decemberi címlapNational Geographic 2018. januári címlapNational Geographic 2018. februári címlapNational Geographic 2018. márciusi címlapNational Geographic 2018. áprilisi címlapNational Geographic 2018. májusi címlapNational Geographic 2018. júniusi címlapNational Geographic 2018. júliusi címlapNational Geographic 2018. augusztusi címlapNational Geographic 2018. szeptemberi címlapNational Geographic 2018. októberi címlapNational Geographic 2018. novemberi címlapNational Geographic 2018. decemberi címlapNational Geographic 2019. januári címlapNational Geographic 2019. februári címlapNational Geographic 2019. márciusi címlapNational Geographic 2019. áprilisi címlapNational Geographic 2019. májusi címlap

Hírlevél feliratkozás

Kérjük, erősítsd meg a feliratkozásod az e-mailben kapott linkre kattintva!

Kövess minket