Si eres Autor prueba la opción Nueva Entrada. Utiliza Chrome para ver el blog completo.

Date de alta como Autor en Universo Mágico Público

Comunidades para disfrutar de la Astronomía: Universo Mágico - Astronomy Lab - Space Roads

Colecciones de Google Plus para disfrutar del Universo: Astronomía en fotos - Astronomía en vídeo

Las redes neuronales prometen imágenes más nítidas

Las redes neuronales prometen imágenes más nítidas

22 de febrero de 2017


Las redes neuronales prometen imágenes más nítidas

Los fotogramas aquí muestran un ejemplo de una imagen original de la galaxia (izquierda), la misma imagen deliberadamente degradada (segundo de la izquierda), la imagen después de la recuperación con la red neural (segundo de la derecha), y la imagen procesada con deconvolución.

Los telescopios, los instrumentos de la astronomía, están limitados por el tamaño del espejo o lente que usan. El uso de "redes neuronales", una forma de inteligencia artificial, un grupo de investigadores suizos ahora tienen una manera de superar ese límite, ofreciendo a los científicos la perspectiva de las imágenes más nítidas en astronomía óptica. La nueva obra aparece en un artículo en Avisos Mensuales de la Real Sociedad Astronómica.

El diámetro de su lente o espejo, la llamada abertura, limita fundamentalmente cualquier telescopio. En términos simples, cuanto más grande es el espejo o la lente, más luz se reúne, permitiendo a los astrónomos detectar objetos más débiles y observarlos con más claridad. Un concepto estadístico conocido como "teorema de muestreo de Nyquist" describe el límite de resolución y, por tanto, cuánto detalle se puede ver.

El estudio suizo, dirigido por el Profesor Kevin Schawinski de ETH Zurich, utiliza lo último en tecnología de aprendizaje automático para desafiar este límite. Enseñan una red neuronal, una aproximación computacional que simula las neuronas en un cerebro, cómo son las galaxias, y luego le piden recuperar automáticamente una imagen borrosa y convertirla en una nítida. Al igual que un ser humano, la red neural necesita ejemplos - en este caso una imagen borrosa y aguda de la misma galaxia - para aprender la técnica.

Su sistema utiliza dos redes neuronales que compiten entre sí, un enfoque emergente popular con la comunidad de investigación de aprendizaje de máquina llamada una "red generativa adversarial", o GAN. Todo el programa de enseñanza tomó sólo unas horas en un ordenador de alto rendimiento.

Las redes neuronales capacitadas fueron capaces de reconocer y reconstruir características que el telescopio no pudo resolver -como regiones de formación estelar, barras y carriles de polvo en galaxias. Los científicos la revisaron en contra de la imagen original de alta resolución para probar su rendimiento, encontrándola más capaz de recuperar características que cualquier cosa utilizada hasta la fecha, incluyendo el método de "deconvolución" usado para mejorar las imágenes realizadas en los primeros años del Telescopio Espacial Hubble .

Schawinski ve esto como un gran paso adelante: "Podemos empezar por volver a las encuestas de cielo realizadas con telescopios durante muchos años, ver más detalle que nunca, y por ejemplo aprender más sobre la estructura de las galaxias. No puede entonces aplicar esta técnica a las imágenes más profundas de Hubble, y al próximo Telescopio Espacial James Webb, para aprender más sobre las primeras estructuras del Universo ".

El profesor Ce Zhang, colaborador de la informática, también ve un gran potencial: "La enorme cantidad de datos astronómicos es siempre fascinante para los informáticos, pero cuando aparecen técnicas como el aprendizaje automático, la astrofísica también proporciona un gran banco de pruebas para abordar un problema fundamental Pregunta computacional - ¿cómo podemos integrar y aprovechar el conocimiento que los seres humanos han acumulado durante miles de años, usando un sistema de aprendizaje automático? Esperamos que nuestra colaboración con Kevin también pueda arrojar luz sobre esta cuestión ".

El éxito del proyecto apunta a un futuro más "basado en datos" para la astrofísica en el que la información se aprende automáticamente a partir de datos, en lugar de modelos físicos manualmente elaborados. La ETH de Zúrich acogerá este trabajo sobre la iniciativa de astrofísica / informática espacial space.ml, en la que el código está disponible para el público en general.


Lea más en:
https://phys.org/news/2017-02-neural-networks-sharpest-images.html#jCp

1 comentario:

  1. I never would have thought that AI systems could have the ability to see what the eye cannot see.

    ResponderEliminar

Comentar es un incentivo para el Autor