Ai-bot voor gezichtsidentificatie kan nu radiosterrenstelsels herkennen

Australische onderzoekers zijn bezig om een programma voor kunstmatige intelligentie te trainen zodat het in staat is radiosterrenstelsels te identificeren. Dit programma was eerder in gebruik om gezichten op Facebook-foto's te herkennen.

Het programma heet ClaRAN en is gemaakt door big data-specialist Chen Wu en astronoom Ivy Wong van de Universiteit van West-Australië. De ai is gebaseerd op een opensource-versie van Microsofts en Facebooks objectherkenningssoftware. In feite gaat het om een groot neuraal netwerk waar massa's data in zijn gevoegd. Het gaat hierbij om de kwaliteit van de ingevoerde datasets, waarna de ai-algoritmes zijn getraind om de rest te optimaliseren.

ClaRAN maakt bij het herkennen van de sterrenstelsels vooral gebruik van data van verschillende radiotelescopen, maar ook infrarooddata, wat de betrouwbaarheid van de voorspellingen verbetert. Het programma bekijkt meer dan 500 verschillende beelden van de radiosterrenstelsels om te komen tot een classificatie.

Volgens Wong zijn traditionele computeralgoritmes in staat om 90 procent van het bronmateriaal correct te identificeren. Maar dan blijft er nog tien procent over, wat neerkomt op ongeveer zeven miljoen sterrenstelsels die door het menselijk oog moeten worden bekeken door hun complexe uitgerekte structuren. Voorheen was daar de hulp van vrijwilligers voor nodig. "Als ClaRAN dit percentage van visuele classificaties terugbrengt naar één procent, kunnen de burgerastronomen meer tijd besteden aan het bekijken van nieuwe typen sterrenstelsels", aldus Wong.

Radiosterrenstelsels stralen krachtige radiojets uit, die afkomstig zijn van enorme zwarte gaten die zich in de centra van de stelsels bevinden. Deze jets zijn fonteinen van gebundelde stromen gas. De superzware zwarte gaten trekken gas en stof uit hun omgeving aan, waarna zeer energetische straalstromen geladen deeltjes met bijna de lichtsnelheid weer de ruimte in spuwen.

Links is een radiosterrenstelsel met een jet, die ClaRAN op basis van enkel data van radiotelescopen heeft gedetecteerd. Het programma is op basis daarvan nog onzeker waar het om gaat, maar op basis van data van een infraroodtelescoop (rechts) is de ai zeker van zijn voorspelling en classificatie.

IT-banen

Reacties (18)

Wut 1 november 2018 11:46

Toevoeging aan het artikel:
"Maar dan blijft er nog tien procent over, wat neerkomt op ongeveer zeven miljoen sterrenstelsels"
We brengen in de sterrenkunde, met behulp van grond of ruimte-telescopen stukje bij beetje de hemel in kaart. Omdat het bereik (het gebied aan de hemel dat geobserveert word), de resolutie en de sensitiviteit van elk van deze telescopen anders is, ben je eigenlijk nooit klaar met het maken van deze kaarten.
Bovendien kun je deze truc herhalen in elk deel van het elektromagnetisch spectrum, waarna je weer een totaal ander plaatje te zien krijgt.
In zichtbaar licht zie je voornamenlijk sterren en 'stof'. In radio zie je bijvoorbeeld voornamenlijk de accretiegebieden en jets van zwarte gaten en supernova overblijfselen.
Je kunt deze surveys bekijken in de 'Google maps' van de sterrenkunde: Aladin lite

Zonder te verwijzen naar de specifieke survey die de astronomen als trainingset gebruikte is die 'zeven miljoen' uit het tweakers artikel dus weinig betekenend. (De auteurs gebruikte FIRST)

Gerelateerde source-extractors, zonder AI, gaan altijd uit van 'pixel-eilandjes' die een x aantal maal boven de ruis uitkomen.
In Nederland gebruiken we met onze radio-telescopen, LOFAR en WSRT, vaak PyBDSF
Alternatieven die ook gebruikt worden zijn ProFound

flippertw @Wut • 1 november 2018 13:48

Zit op Aladan lite te koekeloeren en zie daar een alien voorbij schieten

https://ibb.co/b5Kncf

Wut @flippertw • 1 november 2018 14:15

'artifacts' in de data zijn helaas onvoorkoombaar:
http://voyages.sdss.org/p...cating-objects/artifacts/

Reptile209 1 november 2018 13:24

Waarom hebben ze dit eigenlijk nodig? Sterrenstelsels staan - for all practical purposes binnen menselijke tijdschalen - op één exacte locatie. Ik neem toch aan dat men aardig weet waar een telescoop van een paar honderd miljoen euro op gericht is voordat ze een foto maken? Dus op basis daarvan weet je toch welke objecten er binnen je plaatje liggen?

Dit klinkt een beetje als: ik heb een restaurant met 10 verschillende tafeltjes en ik heb de kassa nu zo getraind dat hij elke tafel (90% van de tijd) kan herkennen. Terwijl die tafeltjes al 30 jaar op dezelfde manier in het restaurant staan...

Wel gaaf dat het kan, maar of het nu echt iets toevoegt?

Wut @Reptile209 • 1 november 2018 14:01

"Waarom hebben ze dit eigenlijk nodig? Sterrenstelsels staan - for all practical purposes binnen menselijke tijdschalen - op één exacte locatie."
Ja.
"Ik neem toch aan dat men aardig weet waar een telescoop van een paar honderd miljoen euro op gericht is voordat ze een foto maken?"
De exacte locatie aan de hemel (of eigenlijk het oppervlak) is inderdaad bekend.
"Dus op basis daarvan weet je toch welke objecten er binnen je plaatje liggen?"
Afhankelijk van het type waarneming is deze aanname grotendeels correct/incorrect.

Sommige observaties zijn gericht op het beter in kaart brengen van een bekend object. Dat object was tijdens een eerdere observatie mogelijk al waargenomen, maar was toen te zwak/klein om goed te bekijken ('unresolved'). Dat laatste hangt samen met de golflengte van het licht en de grootte van je telescoop (angular resolution).
Een andere reden om dit te doen is om hetzelfde object in een andere golflengte in kaart te brengen.
In deze gevallen klopt je aanname.

Een 'survey' observatie (in dit Tweakers artikel gaat het over de FIRST survey) bekijkt een groot deel van de hemel om zoveel mogelijk (nieuwe) objecten te vinden. Omdat telescopen steeds groter worden, en de techniek om individuele (schotel)antennes te combineren steeds beter wordt (Interferometry), neemt de resolutie van survey-observaties toe, wat betekent dat we steeds kleinere/zwakkere voorwerpen in het heelal kunnen ontdekken. Over het algemeen staan deze voorwerpen ook verder van ons af.
Je kunt om nieuwe objecten te ontdekken ook in plaats van een groot gebied af te scannen, heel lang een enkel gebied observeren (bekendste voorbeeld zijn de Hubble Deep fields).

Het ontdekken van de posities van alle astronomische objecten die we theoretisch gezien kunnen bekijken ('the observable universe'), is een limiet die we nog lang niet bereikt hebben.

"Dit klinkt een beetje als: ik heb een restaurant met 10 verschillende tafeltjes en ik heb de kassa nu zo getraind dat hij elke tafel (90% van de tijd) kan herkennen. Terwijl die tafeltjes al 30 jaar op dezelfde manier in het restaurant staan..."
In het geval van de observatie gebruikt in dit artikel is een mogelijke anologie dus:
Er is een restaurant waar het licht uit staat, waarvan we ongeveer weten hoe ver we er uiteindelijk in kunnen kijken. We weten ook dat er een heleboel tafeltjes, stoelen en mogelijk andere onbekende voorwerpen in staan. We vermoeden (tot nu toe lijkt dat te kloppen) dat er op bijna elk voorwerp wel een kaarsje staat. Dus als we een hele goeie verrekijker bouwen, dan kunnen we misschien ontdekken welke tafeltjes er waar allemaal staan.
Misschien kunnen we soms zelfs voorwerpen ontdekken die zelf een heel zwak kaarsje hebben maar het kaarslicht van een fel kaarsje in de buurt reflecteren of deels blokkeren. (Exoplaneten )

[Reactie gewijzigd door Wut op 28 juli 2024 03:07]

BadRespawn @Reptile209 • 1 november 2018 16:00

Ik neem toch aan dat men aardig weet waar een telescoop van een paar honderd miljoen euro op gericht is voordat ze een foto maken?

Dat zou zo zijn als de hele hemel al zou zijn geobserveerd met de meest gevoelige telescopen en in alle golflengten - maar dat is niet het geval.

Reptile209 @BadRespawn • 1 november 2018 18:54

Ik bedoelde ook meer: naar welk deel van het heelal men kijkt. Voor de nieuwe objecten die daar dan worden gezien gaat dit hele verhaal natuurlijk sowieso niet op: wat je nog niet eerder gezien hebt (en een naam hebt gegeven) kan je ook niet terugvinden/herkennen met een algoritme.
Als je iets eenmaal hebt gezien, kan je daar de bijbehorende locatie aan hangen (in coördinaten of ten opzichte van andere objecten) en hoef je dus niet meer te 'raden' welke het is.
Als iedereen in de klas een vaste plek heeft, kan je een plattegrondje gebruiken in plaats van een lijst met foto's en namen. Dat gezichten uiteindelijk handiger zijn, staat buiten kijf. Maar voor het directe doel (wie zit waar) is herkenning onnodig ingewikkeld.

BadRespawn @Reptile209 • 1 november 2018 21:33

Ik geloof dat ik je begrijp: het is een misverstand, veroorzaakt door het woord "herkennen". Wat ze doen is vaststellen of tot nu toe onbekende sterrenstelsels wel of niet radiosterrenstelsels zijn.

wouser 1 november 2018 11:17

Wow; Mooie ontwikkeling maar ik raak toch enigzins verdrietig als ik moet lezen dat deze software eerst is gebruikt om facebook gezichten te herkennen en daarna pas voor iets zinnigs..

Bjorn89 @wouser • 1 november 2018 11:28

Groot gedeelte van de technologie die we hebben hadden eerst militaire doeleinden.

Helaas

wouser @Bjorn89 • 1 november 2018 11:31

Daar was ik me inderdaad ook van bewust. Zelfs het internet komt daar voor een deel vandaan maar gevoelsmatig snap ik daar de redenen/doelen beter van dan iets als social media..

Het is jammer dat in de huidige wereld ontwikkeling/wetenschap niet een prominentere plek heeft in publieke opinie en overheidsinstellingen..

Tjark @wouser • 1 november 2018 11:45

Onderschat niet hoeveel Facebook en Google aan research doen dat vervolgens vrijgegeven wordt in het publieke domein (bv Tensorflow, etc). Nog geen 20 jaar geleden was het ondenkbaar dat een commercieel bedrijf dat soort zaken openbaar zou maken. Een van de stellingen/ideeën wel van de 2 bedrijven is dat door juist dit vrij te geven, echte onderzoekers liever bij hen werken, dan bij bedrijven die vanalles dicht houden (bv Apple). Als onderzoeker bij Apple heb je minder kans dat jouw werk gepubliceerd kon worden op voor het grotere goed gebruikt kon worden. (Dit was een paar jaar geleden zo, geen idee of dit al veranderd is. Microsoft is ook aan het bijdraaien de laatste jaren).

himlims_ @Tjark • 1 november 2018 12:32

Dat klopt niet helemaal; Apple publiceerd diverse software pakketen als open-source (daar tegenover maken zij ook weer gebruik van opensource technieken). Denk dat CUPS (unix print systeem) een van de bekenste is.

Facebook en Google doen ook nodige op dit gebied, daar waar bij facebook al snel een 'onderliggende motivatie' achter schuil gaat - en of afwijkende licenties op hanteert.

Ook microsoft publiceerd al jaren broncode, stelt deze ook publiekelijk beschikbaar. En profileert 'niet meer evil' te zijn. Immers zijn ook zij afhankelijk van linux, voor hun clouddiensten, backend etc.

Ondanks dat apple behoorlijk prioritaire meuk is, dragen zij wel actief bij aan OSS.
Overigens is IBM ook een flinke speler op deze markt, en draagt zowel code als financiele steun bij OSS.

oss=opensource software

[Reactie gewijzigd door himlims_ op 28 juli 2024 03:07]

DeKaerften @himlims_ • 1 november 2018 16:29

Overigens is IBM ook een flinke speler op deze markt, en draagt zowel code als financiele steun bij OSS.

Zo geven ze bijvoorbeeld zo'n 34Mld dollar aan Red Hat

Belgar @wouser • 1 november 2018 11:41

Tja. Die technieken zijn weer deels gebaseerd op pionierswerk gedaan door het SETI project wat ook een radio telescoop programma is. Zolang het weer terug komt in het public domain heb ik er niet zo’n moeite mee

drZymo

1 november 2018 12:09

Wat heeft gezichtsherkenning hiermee te maken? Zover ik begrijp uit de berichten gebruiken ze het Faster R-CNN model en hebben ze dat getraind op eigen data.
Dat model wordt voor wel 100 andere doeleinden gebruikt. Het is een generiek object herkenings model, wat toevallig ook voor gezichtsherkenning gebruikt kan worden.

Cowamundo @drZymo • 1 november 2018 12:37

Staat duidelijk in het artikel:
“De ai is gebaseerd op een opensource-versie van Microsofts en Facebooks objectherkenningssoftware”.

monojack 1 november 2018 14:23

Werkt SETI trouwens al met AI? Ik denk dat AI ook wel een pak geschikter is om naar LGM te zoeken dan mensen die toch al snel een bias hebben om alles dat ze nog niet kennen automatisch in verband te brengen met LGM zoals bij Tabby's star

Op dit item kan niet meer gereageerd worden.

Ai-bot voor gezichtsidentificatie kan nu radiosterrenstelsels herkennen

Lees meer

IT-banen

Reacties (18)

Sorteer op:

Weergave: