Come la visione artificiale sta reinventando lo studio delle galassie

Galaxy Zoo è uno dei più straordinari progetti scientifici di crowdsourcing sul Web. Dal 2007, ha ottenuto l'aiuto di oltre mezzo milione di scienziati cittadini in tutto il mondo per classificare le immagini di quasi un milione di galassie.

Questo sforzo sta rivoluzionando la nostra comprensione della formazione delle galassie. Le forme, le dimensioni ei colori delle galassie sono il risultato della loro età, delle condizioni in cui si sono formate e delle interazioni che hanno avuto con altre galassie nel corso di molti miliardi di anni.

Quindi una classificazione dettagliata dei tipi di galassie è fondamentale per districarsi tra le origini di questi corpi. Galaxy Zoo è stato infatti concepito come una soluzione al problema di classificare le 900.000 galassie che sono state fotografate da un progetto noto come Sloan Digital Sky Survey.

Sembra ideale per l'intelligenza artificiale. Ma sebbene il compito di classificare le galassie sia relativamente semplice per gli esseri umani, è sempre stato fuori dalla portata della tecnologia di visione artificiale. Finora.

Negli ultimi due anni, i grandi progressi in una tecnica chiamata reti neurali convoluzionali profonde hanno reso la visione artificiale uguale alla visione umana in molti compiti. Ad esempio, nell'ultimo anno o giù di lì reti neurali convoluzionali profonde sono diventati bravi quanto gli umani nel riconoscimento facciale , un problema che ha perplesso gli informatici per decenni.

Rispetto al riconoscimento facciale, la classificazione delle galassie dovrebbe essere un gioco da ragazzi. E così si sta rivelando. Oggi, Sander Dieleman dell'Università di Ghent in Belgio e un paio di amici affermano di aver perfezionato una rete neurale convoluzionale in grado di classificare accuratamente un'ampia gamma di galassie, un risultato che promette di automatizzare gran parte del lavoro che ora fa Galaxy Zoo.

Inoltre, l'approccio della visione artificiale è più scalabile del crowdsourcing, il che significa che i computer dovrebbero essere in grado di analizzare le molte centinaia di milioni di immagini di galassie che gli osservatori di tutto il mondo e nello spazio sono destinati a produrre nei prossimi anni.

La visione artificiale è migliorata in modo significativo negli ultimi anni a causa di due fattori separati. Il primo include miglioramenti nella tecnologia, come reti neurali convoluzionali più efficaci e computer più veloci.

Il secondo è il fatto che grandi dataset di formazione sono diventati improvvisamente disponibili grazie al nuovo fenomeno del crowdpower. Per la classificazione delle galassie, questo set di dati di addestramento proviene dal processo Galaxy Zoo stesso in cui centinaia di migliaia di umani hanno annotato immagini di galassie.

Questo enorme set di dati è cruciale. Gli informatici utilizzano questo tipo di set di dati annotati per addestrare le reti neurali a riconoscere caratteristiche specifiche, in questo caso se una galassia è liscia e arrotondata, se ha una barra al centro, se il centro ha un rigonfiamento o se ci sono segni di modelli di braccio a spirale e così via.

Queste sono esattamente le domande a cui la folla ha già risposto nel set di dati del Galaxy Zoo. Quindi è relativamente semplice prelevare un campione dei dati per addestrare una rete neurale convoluzionale. Dieleman e colleghi scelgono circa 60.000 immagini annotate per questo compito.

Questo è un set di dati di addestramento relativamente piccolo per gli standard moderni. Quindi, per aumentarne le dimensioni, hanno alterato ciascuna delle immagini cambiandone la centratura, capovolgendola per creare un'immagine speculare e soprattutto ruotandola in modo che la rete neurale imparasse a sfruttare la simmetria rotazionale delle galassie.

Questo è estremamente importante perché la classificazione di una galassia non dovrebbe dipendere dall'orientamento in cui viene vista. Catturare quella proprietà di invarianza è cruciale.

Dieleman e colleghi usano quindi questo set di dati per addestrare una rete neurale convoluzionale per riconoscere la forma e la struttura delle galassie, rispondendo a domande come quante braccia a spirale ci sono, quanto sono strettamente ferite, c'è qualcosa di strano nella galassia e così via ( le stesse domande a cui gli esseri umani hanno già risposto). La loro rete è composta da sette livelli, ciascuno dei quali filtra efficacemente i dati per funzionalità di livello superiore.

Il team utilizza quindi la rete addestrata per valutare altre 80.000 immagini che non sono annotate e quindi confrontare i risultati con l'accuratezza della classificazione umana.

I risultati sono impressionanti. Dieleman e colleghi affermano che per la maggior parte delle classificazioni, le precisioni raggiunte da esseri umani e macchine sono comparabili. Il nostro nuovo approccio allo sfruttamento della simmetria rotazionale era essenziale per ottenere prestazioni all'avanguardia, sottolineano.

Tuttavia, stanno attenti a non dire direttamente che la loro classificazione di visione artificiale è migliore della classificazione umana. Quella chiamata sarà inevitabilmente lasciata ad altri osservatori. Quello che dicono è che la visione artificiale renderà più facile il compito degli esperti. Questo approccio riduce notevolmente il carico di lavoro degli esperti senza influire sulla precisione, concludono.

Il progresso più importante è che questa tecnica può essere scalata in modo molto più efficace del crowd power. Dopotutto, le reti neurali convoluzionali possono funzionare 24 ore su 24, 7 giorni su 7 e non stancarsi mai. L'applicazione di questi algoritmi a insiemi più ampi di dati di addestramento sarà fondamentale per analizzare i risultati di sondaggi futuri, affermano Dieleman e co.

In effetti, solo uno scettico irriducibile direbbe che questa tecnica non cambierà il modo in cui le galassie sono classificate nel prossimo futuro.

Ciò non significa che gli esseri umani saranno esclusi dal processo di classificazione delle galassie. Lontano da esso. Questo tipo di lavoro automatizzato dipende in modo cruciale dalla qualità del set di dati di addestramento. Quindi, se gli astronomi vogliono porre domande diverse sulle galassie e utilizzare la visione artificiale per rispondere, dovranno prima creare un ampio set di dati di addestramento che sia stato accuratamente annotato dagli esseri umani.

Quindi il ruolo del crowdpower è destinato a cambiare e, in un certo senso, a diventare ancora più importante. In futuro gli scienziati cittadini produrranno i set di dati di addestramento gold standard che gli algoritmi di visione artificiale utilizzeranno per apprendere i loro compiti.

Sarà un lavoro importante e sembra destinato a continuare per un po' di tempo. Almeno, fino a quando una nuova generazione di macchine intelligenti eliminerà anche questo passaggio.

Rif: arxiv.org/abs/1503.07077 : Reti neurali convoluzionali invarianti di rotazione per la previsione della morfologia della galassia

nascondere