ZOOM
GALERÍA
0 COMENTARIOS

La técnica permitiría superar los límites de las lentes ópticas de los telescopios

Redes neuronales para conseguir imágenes más nítidas del espacio

Cuando levantamos los ojos hacia el cielo y vemos las estrellas, sabemos que muchas de esas luminarias que brillan ahora en el cielo, puede que haga miles de años que desaparecieron, pero la luz, que es un testigo del pasado, sigue avanzando a través del espacio, dándonos la falsa impresión de que aún vive. El espacio es una gigantesca máquina del tiempo. Dependiendo de a dónde enfoquemos nuestras cada vez más poderosas lentes, podremos detectar esas luces del pasado remoto y, quizá, alcanzar los vestigios del origen de nuestro universo.

Pero, de momento, los telescopios están limitados por el tamaño de la lente (su diámetro o apertura) y, por tanto, los investigadores indagan nuevas formas de superar la barrera física de estas lentes. A más tamaño de la lente o espejo, más luz es capaz de reunir, permitiendo que los astrónomos detecten y observen objetos más débiles con mayor nitidez. Sin embargo, lo que se conoce como “Teorema de muestreo de Nyquist” describe dónde está el límite de la resolución y, por tanto, del detalle con el que los objetos se perciben.

Una de las áreas en las que trabajan científicos del ETH (Escuela Politécnica Federal) de Zurich, liderados por el profesor Kevin Schawinski, es el uso de las redes neuronales de Inteligencia Artificial para obtener imágenes más claras en astronomía óptica, según ha publicado la Real Sociedad Astronómica. La idea es usar las técnicas de autoaprendizaje de la IA para entrenar a la máquina para conocer cómo son las galaxias y, a partir de ese conocimiento, hacer que recupere automáticamente una imagen borrosa y la convierta en otra nítida. La técnica trata de imitar el funcionamiento de las redes neuronales humanas, que usa los ejemplos conocidos, la experiencia, para reconocer y completar lo que no ve.

En el caso de la ETH de Zurich se está usando un sistema con dos redes neuronales que compiten entre sí, en lo que se conoce como “Redes Adversarial Generativas” o GANs. Estas redes ya se han empleado en otras áreas, como la farmacéutica, para hacer que las máquinas generen nuevos modelos de moléculas e investigar sus posibilidades médicas.

Una vez entrenadas las máquinas (apenas se requieren unas horas en un ordenador de alto rendimiento), las redes neuronales “adversarias” fueron capaces de reconocer y reconstruir las características que el telescopio no fue capaz de resolver sólo mediante la óptica, pudiendo observar con mayor claridad regiones de formación de estrellas, bandas y polvo galáctico. Al revisar las imágenes se ha podido comprobar que la técnica permite recuperar características con una mayor calidad que cualquier otra técnica empleada hasta la fecha, incluyendo las técnicas matemáticas de deconvolución que se usaban para mejorar la imagen en el antiguo Hubble.

El equipo de Schawinski trabajará ahora empleando esta técnica para recuperar los detalles de las imágenes espaciales, que han estado tomando los telescopios en los últimos años, pero también a las próximas imágenes del espacio profundo que se tomen desde el nuevo Hubble desde el próximo Telescopio Espacial James Webb, que está previsto que se lance al espacio desde un Ariane 5 en octubre de 2018.

Técnicas como esta permiten a los astrónomos obtener gran cantidad de datos y un banco de pruebas asombroso, desde el que se pueden integrar los conocimientos astronómicos que los seres humanos han acumulado durante miles de años con los sistemas de computacionales de autoaprendizaje.

Fuente: Real Sociedad Astronómica

Imagen interior: Los fotogramas muestran, a la izquierda, una imagen original de una galaxia. La segunda imagen por la izquierda muestra la imagen degradada a propósito. La segunda imagen por la derecha es la imagen tras la recuperación mediante red neuronal. La imagen de la derecha es el resultado de un procesado por técnica de deconvolución. Créditos: K. Schawinski / C. Zhang – ETH Zurich.

No comments yet.

Deja un comentario