天文学者は研究のための新しいツールを開発するため、AIへの依存を強めている。
機械学習の主な利点は4つあり、以下で説明する。
今後10年間に天文学者が宇宙をより詳細に研究していく中で、AIは不可欠なツールになるだろう。
天文学はすべてデータに関わる学問である。宇宙は拡大し続けており、それに関する情報量も増えている。しかし次世代の天文学における最大の課題のいくつかは、収集しているすべてのデータをどのように研究していくかという点にある。
こうした課題に取り組むため、天文学者は機械学習と人工知能(AI)を活用し、次の大きなブレークスルーを迅速に探索するための新しいツールを開発している。ここでは、AIが天文学者を支援している4つの方法を紹介する。
1. 惑星探索
惑星を見つける方法は数多くあるが、最も成功を収めてきたのはトランジット法の研究である。系外惑星が親星の手前を通過すると、私たちが観測できる光の一部が遮られる。
天文学者は系外惑星の多数の軌道を観測することで、光の減光のパターンを把握する。これにより、質量、大きさ、恒星からの距離といった惑星の特性を特定することができる。NASAのケプラー宇宙望遠鏡は、この手法を用いて数千の恒星を同時に観測し、惑星によって生じる特徴的な減光を監視することで大きな成果を挙げた。
人間はこうした減光を見分けるのが比較的得意だが、その技能を身につけるには時間がかかる。NASAの「トランジット系外惑星探索衛星」など、新たな系外惑星の発見を目的とした観測ミッションが増えるにつれ、人間だけでは到底対応しきれなくなっている。ここでAIの出番となる。
時系列解析技術――データを時間の経過に沿った連続的な系列として分析する手法――は、ある種のAIと組み合わされ、最大96%の精度で系外惑星の信号を特定することに成功している。
2. 重力波
時系列モデルは系外惑星の発見に優れているだけでなく、ブラックホールと中性子星の合体といった、宇宙で最も壊滅的な現象の信号を捉えるのにも最適である。
これほど高密度の天体が内側へ落下する際、時空に波紋を発生させるが、その波紋は検出可能である。地球上で微弱な信号を測定することで検出できる。重力波検出器の共同観測では、LIGOとVirgoが、機械学習の支援を受けて、こうした現象の信号を数十件特定してきた。機械学習。
ブラックホール合体のシミュレーションデータでモデルを学習させることで、LIGOとVirgoのチームは、現象の発生直後に潜在的な事象を特定し、世界中の天文学者に警報を送って望遠鏡を正しい方向に向けることができる。
3. 変化する空
現在チリで建設中のベラ・ルービン天文台が稼働を開始すると、毎晩夜空全体を観測し、一度に80テラバイトを超える画像を収集する。これにより、宇宙の恒星や銀河が時間とともにどのように変化するかを把握できる。1テラバイトは8,000,000,000,000ビットに相当する。
計画された運用期間を通じて、ルービンが実施する「宇宙と時間のレガシー・サーベイ」は、数百ペタバイトのデータを収集・処理することになる。規模を実感するには、100ペタバイトはFacebook上のすべての写真を保存するのに必要な容量にほぼ相当し、フルハイビジョン動画で約700年分に当たる。Facebook上のすべての写真を保存するのに必要な容量にほぼ相当し、フルハイビジョン動画で約700年分に当たる。
サーバーにログインしてそのデータをダウンロードすることはできず、仮にできたとしても、探しているものを見つけることはできないだろう。
次世代のこうした観測データを探索し、重要なデータを浮き彫りにするために、機械学習の手法が用いられる。例えば、あるアルゴリズムは、超新星――恒星の最期に起こる劇的な爆発――のような稀な現象を画像から探索し、別のアルゴリズムはクエーサーの探索を担当するかもしれない。特定の天文現象の信号を認識するようコンピュータを学習させることで、チームは必要なデータを必要な人々に届けられるようになる。
4. 重力レンズ
宇宙に関するデータを収集すればするほど、有用ではないデータを精査して破棄しなければならないこともある。では、膨大なデータの中から最も稀な天体をどのように見つけ出せばよいのだろうか。
多くの天文学者の関心を集めている天体現象の一つが強い重力レンズである。これは、二つの銀河が私たちの視線上に並び、手前の銀河の重力がレンズの役割を果たして、より遠方の天体を拡大し、リング状、十字状、二重像などを生じさせる現象である。
こうしたレンズを見つけることは、干し草の山から針を探すようなものである――しかもその山は観測可能な宇宙と同じ規模である。銀河の画像を集めれば集めるほど、この探索はますます困難になっていく。
2018年、世界中の天文学者が強い重力レンズ発見チャレンジに参加し、こうしたレンズを自動的に見つけ出すための最も優れたアルゴリズムを競い合った。
このチャレンジの優勝者は、畳み込みニューラルネットワークと呼ばれるモデルを使用した。このモデルは、さまざまなフィルターを用いて画像を分解し、レンズを含むかどうかを分類できるまで学習を重ねる。驚くべきことに、これらのモデルは人間よりも優れており、私たち人間が気づきにくい画像の微妙な違いを見つけ出した。
今後10年間で、ベラ・ルービン天文台のような新しい観測装置を用いることで、天文学者は数ペタバイト、すなわち数千テラバイトのデータを収集することになる。より深く宇宙を観測するにつれ、天文学者の研究は機械学習の手法にますます依存していくだろう。
