p Telescópios, os laboriosos instrumentos da astronomia, são limitados pelo tamanho do espelho ou lente que usam. Usando 'redes neurais', uma forma de inteligência artificial, um grupo de pesquisadores suíços agora tem uma maneira de ultrapassar esse limite, oferecendo aos cientistas a perspectiva das imagens mais nítidas de sempre na astronomia óptica. O novo trabalho aparece em um jornal em Avisos mensais da Royal Astronomical Society . p O diâmetro de sua lente ou espelho, a chamada abertura, limita fundamentalmente qualquer telescópio. Em termos simples, quanto maior o espelho ou lente, quanto mais luz ele reúne, permitindo que os astrônomos detectem objetos mais fracos, e observá-los com mais clareza. Um conceito estatístico conhecido como 'teorema de amostragem de Nyquist' descreve o limite de resolução, e, portanto, quantos detalhes podem ser vistos.

p O estudo suíço, liderado pelo Prof Kevin Schawinski da ETH Zurique, usa o que há de mais moderno em tecnologia de aprendizado de máquina para desafiar esse limite. Eles ensinam uma rede neural, uma abordagem computacional que simula os neurônios em um cérebro, como são as galáxias, e peça para recuperar automaticamente uma imagem borrada e transformá-la em uma imagem nítida. Assim como um humano, a rede neural precisa de exemplos - neste caso, uma imagem borrada e nítida da mesma galáxia - para aprender a técnica.

p Seu sistema usa duas redes neurais competindo entre si, uma abordagem emergente popular com a comunidade de pesquisa de aprendizado de máquina chamada de "rede adversária geradora", órgão. Todo o programa de ensino levou apenas algumas horas em um computador de alto desempenho.

p As redes neurais treinadas foram capazes de reconhecer e reconstruir características que o telescópio não conseguia resolver - como regiões de formação de estrelas, barras e faixas de poeira em galáxias. Os cientistas o compararam com a imagem original de alta resolução para testar seu desempenho, descobrindo que é mais capaz de recuperar recursos do que qualquer coisa usada até hoje, incluindo a abordagem de 'deconvolução' usada para melhorar as imagens feitas nos primeiros anos do Telescópio Espacial Hubble.

p Schawinski vê isso como um grande passo à frente:"Podemos começar voltando aos levantamentos do céu feitos com telescópios ao longo de muitos anos, veja mais detalhes do que nunca, e, por exemplo, aprenda mais sobre a estrutura das galáxias. Não há razão para que não possamos aplicar essa técnica às imagens mais profundas do Hubble, e o futuro Telescópio Espacial James Webb, para aprender mais sobre as estruturas mais antigas do Universo. "

p Professor Ce Zhang, o colaborador da ciência da computação, também vê um grande potencial:"A enorme quantidade de dados astronômicos é sempre fascinante para os cientistas da computação. Mas, quando técnicas como aprendizado de máquina surgem, a astrofísica também fornece um ótimo teste para lidar com uma questão computacional fundamental - como podemos integrar e aproveitar o conhecimento que os humanos acumularam ao longo de milhares de anos, usando um sistema de aprendizado de máquina? Esperamos que nossa colaboração com Kevin também possa esclarecer essa questão. "

p O sucesso do projeto aponta para um futuro mais "orientado por dados" para a astrofísica, no qual as informações são aprendidas automaticamente a partir dos dados, em vez de modelos físicos feitos manualmente. A ETH Zurich está hospedando este trabalho na iniciativa de astrofísica / ciência da computação interdisciplinar space.ml, onde o código está disponível para o público em geral.