Čeští vědci objevili téměř tisíc vzácných vesmírných objektů díky spojení lidské a umělé inteligence. „Jako ze Star Treku,“ popsali

Nezvyklý přístup pomohl českým vědcům najít stovky vzácných nepopsaných objektů ve vesmíru. Výzkumníci poprvé v astronomii využili metodu umělé inteligence zvanou aktivní hluboké učení (active deep learning). Na rozdíl od běžně využívaných postupů síť v tomto případě požádá člověka o radu, když si je nejméně jistá. Článek publikoval prestižní časopis Astronomy and Astrophycics, katalog nově objevených hvězd je součástí celosvětové databáze Vizier. Tým tvořili vědci z AÚ AV a Fakulty informačních technologií (FIT) ČVUT.

Ke vzácným a zajímavým objektům ve vesmíru patří třeba horké hvězdy Be, nově vznikající hvězdy T Tauri nebo kataklyzmické proměnné hvězdy. Tyto objekty podle vědců na snímcích oblohy působí jako běžné hvězdy a z výjimečnosti je „usvědčí“ jenom jejich spektra s charakteristickými kombinacemi emisních čar. Z nich lze určit různé vlastnosti exotického objektu.

Moderní spektrografy s tisíci optických vláken pracují velmi rychle: umí pořídit několik tisíc spekter během desítek minut. Díky tomu existují archivy s miliony spekter, z nichž naprostou většinu lidské oko nespatřilo –⁠ většina je výsledek aplikace automatických algoritmů.

Největší spektrální přehlídkou je archiv čínského šestimetrového dalekohledu LAMOST. O většině cílů, které zaznamenal, není dosud zpravidla známo mnoho a je tak velká šance najít nové, vzácné objekty. Jenže třídění milionů spekter astrofyzikem by trvalo velmi dlouho, možná až desíty let. A výzkumníci uvádějí, že takové vzácné objekty nelze dobře poznat podle spekter strojově.

Nadějí je umělá inteligence v podobě takzvaných neuronových konvolučních sítí –⁠ podobné se používají třeba v samořídících autech nebo strojovém překladu. Ty ale potřebují stovky tisíc člověkem označených příkladů, z kterých se musí učit, aby poznaly podobný vzor v milionech neznámých. „Pokud takové označené vzory nemáte, nebo jich je málo, nemůžete tyto nástroje umělé inteligence použít,“ podotkl spoluautor článku Ondřej Podsztavek z FIT.

Tým z Česka tak musel překonat dvě překážky –⁠ ukázat síti spektra, jako by je pořídil LAMOST, a donutit ji, aby fungovala i při zlomku označených vzorů, než běžně vyžaduje.

Pomohl jim archiv Perkova dalekohledu ve středočeském Ondřejově. Ten disponoval několika tisíci spektry vzácných objektů s emisními čarami. Ondřejovský dalekohled na rozdíl od LAMOSTu pořizuje spektra s větším rozlišením. Proto byla uměle rozostřena, jako by je viděl LAMOST. Spekter však bylo pro trénink stále málo. Vědci si tedy vypomohli málo známou metodou aktivního učení.

Spolupráce člověka a stroje

„Principem je, že neuronová síť si v každém opakovaném kroku vybere ta spektra, kde si je svojí předpovědí nejméně jistá. Ta předloží expertovi, což může být nejen člověk, ale i jiný algoritmus, který předpověď sítě potvrdí, či naopak vyvrátí. Toto se provede na malém vzorku například sta spekter,“ popsal Podsztavek.

„Jakmile jsou expertem označena, jsou přidána do trénovací množiny, na které je síť znovu učena. Takto se do ní postupně dostává stále více velmi těžko rozhodnutelných případů. To se opakuje do okamžiku, kdy se již síť perfektně trefuje,“ doplnil.

Později se tako podařilo ve starší verzi archivu LAMOST se čtyřmi miliony spekter najít čtyři tisíce objektů s emisními čarami, skoro tisícovka z nich nebyla v literatuře dosud detailně popsána. „Naše metoda aktivního hlubokého učení nastiňuje budoucí směr používání umělé inteligence v astronomii a možná i jiných vědách,“ uvedl výzkumník Petr Škoda, který působí na FIT i v AÚ.

„Stroj bude pracovat v těsné spolupráci s člověkem, bude za něj dělat rutinní práci, ale jakmile si nebude jistý, obrátí se o radu. Na této koncepci teď začínáme v našem týmu pracovat. Časem by takové řešení mohlo připomínat dialog mezi velitelským můstkem lodi Enterprise a palubním počítačem v seriálu Star Trek při průzkumu Galaxie,“ uzavřel vědec. Výzkumníkům se nepodařilo dohledat, že by tuto kombinaci přístupů v astronomii už někdo použil.