Cómo la visión artificial está reinventando el estudio de las galaxias

Galaxy Zoo es uno de los proyectos científicos colaborativos más destacados de la Web. Desde 2007, se cuenta con la ayuda de más de medio millón de ciudadanos científicos de todo el mundo para clasificar imágenes de casi un millón de galaxias.

Este esfuerzo está en proceso de revolucionar nuestra comprensión de la formación de galaxias. Las formas, los tamaños y los colores de las galaxias son el resultado de su edad, las condiciones en las que se formaron y las interacciones que han tenido con otras galaxias durante miles de millones de años.

Por lo tanto, una clasificación detallada de los tipos de galaxias es crucial para descifrar los orígenes de estos cuerpos. De hecho, Galaxy Zoo fue concebido como una solución al problema de clasificar las 900.000 galaxias que han sido fotografiadas por un proyecto conocido como Sloan Digital Sky Survey.

Eso suena idealmente adecuado para la inteligencia artificial. Pero aunque la tarea de clasificar galaxias es relativamente simple para los humanos, siempre ha estado fuera del alcance de la tecnología de visión artificial. Hasta ahora.

En los últimos años, los grandes avances en una técnica llamada redes neuronales convolucionales profundas han hecho que la visión artificial sea igual a la visión humana en muchas tareas. Por ejemplo, en el último año más o menos redes neuronales convolucionales profundas se han vuelto tan buenos como los humanos en el reconocimiento facial , un problema que ha dejado perplejos a los informáticos durante décadas.

En comparación con el reconocimiento facial, la clasificación de galaxias debería ser un juego de niños. Y así está resultando ser. Hoy, Sander Dieleman de la Universidad de Ghent en Bélgica y un par de amigos dicen que han perfeccionado una red neuronal convolucional que puede clasificar con precisión una amplia gama de galaxias, un logro que promete automatizar gran parte del trabajo que ahora hace Galaxy Zoo.

Además, el enfoque de visión artificial se escala de manera más efectiva que el crowdsourcing, lo que significa que las computadoras deberían poder analizar los muchos cientos de millones de imágenes de galaxias que los observatorios de todo el mundo y en el espacio producirán en los próximos años.

La visión artificial ha mejorado significativamente en los últimos años debido a dos factores distintos. El primero incluye mejoras en la tecnología, como redes neuronales convolucionales más efectivas y computadoras más rápidas.

El segundo es el hecho de que grandes conjuntos de datos de entrenamiento de repente están disponibles gracias al nuevo fenómeno del crowdpower. Para la clasificación de galaxias, este conjunto de datos de entrenamiento proviene del propio proceso Galaxy Zoo en el que cientos de miles de humanos han anotado imágenes de galaxias.

Este enorme conjunto de datos es crucial. Los científicos informáticos usan este tipo de conjuntos de datos anotados para entrenar redes neuronales para que reconozcan características específicas, en este caso, si una galaxia es suave y redondeada, si tiene una barra en el centro, si el centro tiene una protuberancia o si hay signos de patrones de brazos en espiral y así sucesivamente.

Estas son exactamente las preguntas que la multitud ya ha respondido en el conjunto de datos de Galaxy Zoo. Por lo tanto, es relativamente sencillo tomar una muestra de los datos para entrenar una red neuronal convolucional. Dieleman y compañía seleccionan unas 60 000 imágenes anotadas para esta tarea.

Ese es un conjunto de datos de entrenamiento relativamente pequeño según los estándares modernos. Entonces, para aumentar su tamaño, alteraron cada una de las imágenes cambiando su centrado, volteándolas para crear una imagen especular y, sobre todo, girándolas para que la red neuronal aprendiera a explotar la simetría rotacional de las galaxias.

Eso es muy importante porque la clasificación de una galaxia no debería depender de la orientación en la que se ve. Capturar esa propiedad de invariancia es crucial.

Luego, Dieleman y compañía usan este conjunto de datos para entrenar una red neuronal convolucional para reconocer la forma y la estructura de las galaxias, respondiendo preguntas como cuántos brazos espirales hay, qué tan apretados están, si hay algo extraño en la galaxia, y así sucesivamente ( las mismas preguntas que los humanos ya han respondido). Su red consta de siete capas, cada una de las cuales filtra eficazmente los datos para funciones de nivel superior.

Luego, el equipo usa la red entrenada para evaluar otras 80,000 imágenes que no están anotadas y luego compara los resultados con la precisión de la clasificación humana.

Los resultados son impresionantes. Dieleman y compañía dicen que para la mayoría de las clasificaciones, las precisiones logradas por humanos y máquinas son comparables. Nuestro enfoque novedoso para explotar la simetría rotacional fue esencial para lograr un rendimiento de vanguardia, señalan.

Sin embargo, tienen cuidado de no decir directamente que su clasificación de visión artificial es mejor que la clasificación humana. Esa llamada inevitablemente se dejará a otros observadores. Lo que sí dicen es que la visión artificial facilitará la tarea de los expertos. Este enfoque reduce en gran medida la carga de trabajo de los expertos sin afectar la precisión, concluyen.

El avance más importante es que esta técnica se puede escalar de manera mucho más efectiva que el poder de la multitud. Después de todo, las redes neuronales convolucionales pueden funcionar las 24 horas del día, los 7 días de la semana y nunca cansarse. La aplicación de estos algoritmos a conjuntos más grandes de datos de entrenamiento será fundamental para analizar los resultados de futuras encuestas, dicen Dieleman y compañía.

De hecho, solo un escéptico acérrimo diría que esta técnica no cambiará la forma en que se clasifican las galaxias en un futuro próximo.

Eso no significa que los humanos serán excluidos del proceso de clasificación de galaxias. Lejos de ahi. Este tipo de trabajo automatizado depende de manera crucial de la calidad del conjunto de datos de entrenamiento. Entonces, si los astrónomos quieren hacer diferentes preguntas sobre las galaxias y usar la visión artificial para responderlas, primero tendrán que crear un gran conjunto de datos de entrenamiento que haya sido anotado con precisión por humanos.

Por lo tanto, el papel del poder colectivo cambiará y, en cierto sentido, se volverá aún más importante. En el futuro, los científicos ciudadanos producirán los conjuntos de datos de entrenamiento estándar de oro que los algoritmos de visión artificial utilizarán para aprender sus tareas.

Ese será un trabajo importante y parece que continuará durante algún tiempo. Al menos, hasta que una nueva generación de máquinas inteligentes acabe incluso con ese paso.

Ref: arxiv.org/abs/1503.07077 : Redes neuronales convolucionales invariantes en rotación para la predicción de morfología de galaxias

esconder