El software de IA ayuda a los astrónomos a desenfocar las galaxias capturadas por telescopios terrestres
Según las últimas investigaciones, un algoritmo de inteligencia artificial puede ayudar a los astrónomos a desenfocar las imágenes capturadas por telescopios terrestres con mayor precisión y rapidez que los métodos tradicionales.
Un par de investigadores de la Universidad Northwestern y la Universidad Tsinghua combinaron técnicas de procesamiento de imágenes y entrenaron una red neuronal para eliminar la interferencia de píxeles de imágenes simuladas de galaxias.
«La herramienta toma una imagen ruidosa y borrosa y una descripción del desenfoque atmosférico, específicamente, la función de dispersión de puntos, que es una imagen de cómo el sistema desenfoca un solo punto de luz», dijo Emma Alexander, profesora asistente de ciencias de la computación en Northwestern University y coautora de la investigación, explicó a El registro.
«Luego, aplicamos una red neuronal que alterna entre eliminar el desenfoque y limpiar el ruido de la imagen, yendo y viniendo entre estos dos problemas durante una cantidad determinada de pasos. Terminamos con una imagen en la que se eliminaron el desenfoque y el ruido de fondo, y muestran que las formas de las galaxias estimadas a partir de nuestras imágenes limpias son más precisas que las de otros métodos».
Según se informa, el software produjo imágenes con hasta un 38,6 % menos de errores que las producidas con técnicas de procesamiento de imágenes convencionales más antiguas, y hasta un 7,4 % menos de errores en comparación con los métodos más modernos que se utilizan en la actualidad.
«El objetivo de la fotografía suele ser obtener una imagen agradable y hermosa», Alexander ha dicho en un informe
«Mais en nettoyant les images de la bonne manière, nous pouvons obtenir des données plus précises. L’algorithme supprime l’atmosphère par calcul, permettant aux physiciens d’obtenir de meilleures mesures scientifiques. En fin de compte, les images sont également plus hermosas.»
Las observaciones astronómicas son borrosas porque la luz de los objetos distantes se difracta cuando atraviesa la atmósfera terrestre. Los observatorios a menudo se colocan a gran altura donde el aire es más delgado para ver mejor el cielo nocturno, pero los pequeños detalles en las imágenes aún pueden verse afectados.
Los bordes de las galaxias también son difíciles de detectar, lo que dificulta discernir sus formas. Una galaxia elíptica, por ejemplo, puede parecer más borrosa y redonda bajo el telescopio.
«Pequeñas diferencias en la forma nos pueden decir acerca de la gravedad en el universo», dijo Alexander. «Estas diferencias son lo suficientemente difíciles de detectar. Si miras una imagen de un telescopio terrestre, una forma puede distorsionarse. Es difícil saber si esto se debe al efecto gravitatorio o a la atmósfera».
Los investigadores utilizaron un algoritmo de optimización y lo combinaron con una red neuronal para entrenar un sistema para desenfocar automáticamente las imágenes. El modelo se entrenó con imágenes de galaxias ficticias diseñadas para cumplir con las especificaciones que utilizará el Observatorio Vera C Rubin en Chile, que comenzará a operar en agosto del próximo año.
El nuevo método de desenfoque de procesamiento de imágenes de IA ayudará a los astrónomos a procesar nuevas imágenes tomadas por el telescopio de reconocimiento Simonyi del observatorio. El instrumento tiene un espejo primario de 8,4 metros que capturará una vista de campo amplio de todo el cielo nocturno cada pocos días.
Alexander y Tianao Li, estudiante de ingeniería eléctrica de la Universidad de Tsinghua, liberado su código en línea, así como tutoriales que enseñan a los astrónomos cómo aplicarlo a sus propios datos. Su estudio también fue publicado en los avisos mensuales de la Royal Astronomical Society.
El modelo tendrá que ser entrenado desde cero utilizando datos simulados para que coincida con la configuración de un telescopio diferente, nos dijo Alexander.
«Nuestra herramienta utiliza una red de eliminación de ruido profunda, que aprende una información previa basada en datos sobre cómo deberían verse generalmente las imágenes de un telescopio específico. Cambiar a otro telescopio significa que las imágenes pueden verse constantemente diferentes, puede deberse a un cambio en la resolución de la imagen, ruido del sensor o difracción causada por el diámetro del telescopio. En estos casos, se debe generar un nuevo conjunto de entrenamiento para afinar la red profunda.
“Ahora estamos pasando esta herramienta, poniéndola en manos de expertos en astronomía”, dijo Alexander. «Creemos que este podría ser un recurso valioso para la topografía del cielo para obtener los datos más realistas posibles». ®
