21 augustus 2019

Creatie AI surrogaat computermodel voor meer inzicht in distributie donkere materie

Een team van het Lawrence Berkeley National Laboratorium te Californië onder leiding van machine learning ingenieur Mustafa Mustafa, heeft een generatief AI (Artificial Intelligence) surrogaat computer model ontworpen op basis van neurale netwerken voor de kosmologie, dit model is CosmoGAN genoemd, ‘cosmological generative adversial networks (GAN’s) (n.1). Mustafa, eerste auteur van het artikel ‘CosmoGAN: creating high-fidelity weak lensing convergence maps using Generative Adversarial Networks’ (n.2) gepubliceerd op 6 mei j.l. in Computational Astrophysics and Cosmology, bespreekt met zijn team hierin dit nieuwe deep learning netwerk CosmoGAN, welke in staat is om via zwakke zwaartekracht lenswerking (weak gravitational lensing) (n.3)  betrouwbare convergentie kaarten te creëren, en om zo via deze indirecte methode sneller maar ook voordeliger de distributie van donkere materie te kunnen achterhalen. Bij het onderzoek zijn naast het Berkeley Lab ook Google Research en de Universiteit van KwaZulu-Natal betrokken.

Bullet cluster credits; X-ray (blauwe gebied): NASA / CXC / CfA / M. Markevitch e.a. Lensing Map (roze): NASA / STScI; ESO WFI; Magella / U. Arizona/ D. Clowe e.a. Optical: NASA / STScI; Magellan / U. Arizona / D. Clowe

Daar kosmoslogen en astrofysicisi steeds meer de uithoeken van het universum kunnen verkennen is hun behoefte aan steeds krachtigere observatie en computationeel gereedschap exponentieel gegroeid. Zodra echter experimentele en theoretische datasets steeds groter groeien, samen met de simulaties die nodig zijn om deze data te visualiseren en analyseren verrijst er een andere grote uitdaging; deze simulaties zijn en worden steeds duurder en soms zelfs onbetaalbaar. Daarom wijken computationele kosmologen vaak uit naar een goedkopere surrogaatmodellen, die dure simulaties nabootsen. Mustafa zegt hierover:Vooruitgang in diep generatieve modellen op basis van neurale netwerken openen de mogelijkheid om meer robuuste en minder met de hand ontworpen surrogaatmodellen te bouwen voor vele soorten simulatoren, inclusief die in de kosmologie.” Inmiddels wordt er een variëteit aan diep generatieve modellen onderzocht voor wetenschappelijke applicaties waarvan Berkeley labs generatieve adversariële netwerken (GAN’s) er eentje is.

Bij faciliteiten als  het Dark Energy Spectroscopic Instrument tot supercomputers als het Cori systeem bij de NERSC (National Energy Research Scientific Computing) faciliteit, is men zeer druk doende om kolossale hoeveelheden data te verzamelen, te analyseren en simulaties te bouwen, welke kunnen helpen bij het astronomisch onderzoek, in dit geval meer specifiek gericht op detectie van donkere materie. Wetenschappers moeten al deze informatie abstraheren, en tevens de mogelijkheid hebben om zowel de geometrie van het universum af te tasten als de groei van de kosmische structuur. Momenteel is een van de veelbelovende technieken het zogeheten ‘zwaartekracht lenswerking’ (eng. gravitational lensing)  “Zwaartekracht lenswerking toont distorsie beelden van verre melkwegen op een manier die wordt bepaald door de hoeveelheid materie in de gezichtslijn in een bepaalde richting, en biedt zo een methode om naar een tweedimensionale kaart van donkere materie te kijken,” aldus Deborah Bard, teamleider van de Data Science Engagement Group in het Berkely NERSC en co-auteur, en Bard vervolgt; “Het overgrote deel van materie in het universum is donkere materie, dat we niet direct kunnen waarnemen, dus moeten we indirecte methoden gebruiken om te kijken hoe het gedistribueerd is. Zwaartekracht lenswerking is een van de beste methoden die we hebben om donkere materie te bestuderen, dat belangrijk is daar het veel zegt over de structuur van het universum.” “Een convergentiekaart is effectief een 2D kaart van zwaartekracht lenswerking die we aan de hemel langs de gezichtslijn kunnen waarnemen, “zei Bard, en vervolgt “Als je een piek hebt in een convergentiekaart die overeenkomt met een piek in een grote hoeveelheid materie langs de gezichtslijn, betekent dit dat er een enorme hoeveelheid donkere materie in die richting is.”

Zwakke lenswerking convergentiekaarten voor het ?CDM kosmologisch model. Willekeurig geselecteerde kaarten uit validatiegegevensset (boven) en door GAN gegenereerde voorbeelden (onder) credits; lawrence Berkeley National Laboratory

Voordelen
Waarom optie voor een GAN’s in plaats van andere typen generatieve modellen? In het artikel stippen ze een aantal voordelen aan van GAN’s welke zich zoal voordoen bij deze enorm grote natuurkundige simulaties. Volgens Mustafa draait alles om precisie en uitvoering.  “Vanuit het deep learning perspectief zijn er andere manieren om convergentiekaarten te genereren van beelden, maar maar toen we dit project opstartten bleek GAN’s zeer hoge resolutie beelden te leveren i.v.g. tot andere concurrerende methoden, terwijl ze vanuit computationeel oogpunt nog steeds van efficiënte omvang is,”  “We wilden vooral accuraat en snel kunnen werken,” aldus co-auteur Zaria Lukic, een onderzoeker bij het Computational Cosmology Center van Berkeley, Het onderzoeksteam is dus met name geïnteresseerd in het construeren van een surrogaat model dat leidt tot tot een reductie van de computationele kosten die er verbonden zijn aan het runnen van deze gedetailleerde fysica simulaties, zoals van deze kosmologische data van full-sky telescoopbeelden die niet alleen miljarden rekenuren vereisen maar ook petabytes aan schijfruimte innemen. Bronnen; ScienceDaily, Phys.org, Lawrence Berkely Nat. lab, Dr. Margot Brouwer; ‘Studying dark matter using weak gravitational lensing; from galaxies to the cosmic web, Repository RU Leiden, 2017, Wiki AI.

n.1 Generatieve adversariële netwerken (GAN’s) is een klasse van machine-leersystemen (dat een deelgebied is van AI) geïntroduceerd door Ian Goodfellow e.a. van de Universiteit van Montreal. Het bestaat uit twee neurale netwerken die het tegen elkaar opnemen in een spel (vaak maar niet altijd in de vorm van een zero-sum game), met een trainingsset leert deze techniek nieuwe gegevens te genereren met dezelfde statistieken als de trainingsset. Voormalig Facebook AI onderzoeksdirecteur Yann LeCun noemde adversariële training ooit; ‘het meest interessante idee in de laatste 10 jaar van machine-leersystemen.’ ” Een GAN die op foto’s is getraind, kan bijvoorbeeld nieuwe foto’s genereren die op zijn minst oppervlakkig authentiek zijn voor menselijke waarnemers, met veel realistische kenmerken. Het potentieel van GAN’s is enorm, omdat ze kunnen leren om elke distributie van gegevens na te bootsen. Een andere manier om erover na te denken, is onderscheid maken tussen onderscheidend en generatief;

  • Discriminatieve modellen leren de grens tussen klassen
  • Generatieve modellen modelleren de verdeling van individuele klassen

n.2  Mustafa Mustafa, Deborah Bard, Wahid Bhimji, Zarija Luki?, Rami Al-Rfou, Jan M. Kratochvil. ‘CosmoGAN: creating high-fidelity weak lensing convergence maps using Generative Adversarial Networks.’ Computational Astrophysics and Cosmology, 2019; 6 (1) DOI: 10.1186/s40668-019-0029-9

n.3 Een zwaartekrachtlens (ook gravitatielens) is een relatief zeer sterk zwaartekrachtveld, zoals dat van een sterrenstelsel of zwart gat,  dat het licht van een daarachter liggend voorwerp afbuigt. Dit lens-effect treedt op wanneer waarnemer, zwaartekrachtveld (lens) en achterliggende voorwerp (bron) ongeveer op één lijn staan.De aard van het effect hangt af van de onderlinge afstand en positie van waarnemer, lens en bron en van de grootte en de massaverdeling binnen de lens. In het algemeen maakt men onderscheid tussen sterke, zwakke en microlenswerking, hoewel ze ook samen kunnen optreden. Een sterke lenswerking levert rond de lens een vermeerdering op van het aantal beelden van het achterliggende voorwerp, al dan niet gelijktijdig of symmetrisch gepositioneerd ten opzichte van de lens, afhankelijk van de onderlinge posities van waarnemer, lens en het verder gelegen voorwerp. In deze gevallen fungeert een zwaar object zoals een Melkwegstelsel of een cluster als lens.

Een zwakke lenswerking levert geen meervoudige afbeeldingen op, maar wel een vervormd of uitgerekt beeld van een ver achter de lens gelegen voorwerp. De aard van de vervorming is afhankelijk van de massaverdeling van de lens. Door de afbuiging vergroot de hoeveelheid licht – de helderheid – van de bron die kan waargenomen worden. Als lens treedt een cluster van sterrenstelsels op. Door onderzoek aan zwaartekracht lenzen, kan men meer leren over de verdeling van donkere materie in het heelal. De zwakke lenswerking laat toe sterrenstelsels te zien die zo veraf gelegen zijn, dat ze zonder dit lenseffect nooit zouden zijn waargenomen. Door toepassen van statistische methodes wordt de zwakke lenswerking ook gebruikt voor het bepalen van de massa van lens en bron en van de massaverdeling van de clusters die als lens werken. Dit biedt ook de mogelijkheid om de aanwezigheid van donkere materie in die clusters vast te stellen.

Reacties

  1. Beste Angele,
    Op de figuur zijn 6 afbeeldingen te zien.
    3x validation ( bovenste rij)
    en 3x Generated.
    Zijn deze gamaakt voor dezelfde gebieden? zodat je kunt spreken van een verbetering door GAN gegenereerde informatie?

  2. Angele van Oosterom zegt

    Goeie vraag Leo, daar zat ik zelf ook naar te kijken maar paragraaf 3 fig. 1 toont voorbeelden van kaarten uit de validatie en door GAN gegenereerde datasets. De validatiegegevensset is niet gebruikt bij het trainen of afstemmen van de netwerken. Ik zou zeggen het kan om hetzelfde gebied gaan maar ook niet, of een gebied met min of meer dezelfde gegevensdistributie. In par. 2 staat;

    ‘Het centrale probleem van generatieve modellen is de vraag: gegeven een gegevensdistributie Pr kan men een generator G zodanig ontwerpen dat de verdeling, van model gegenereerde data Pg = Pr? Onze informatie over Pr komt uit de trainingsgegevensset, meestal een onafhankelijke en identiek gedistribueerde willekeurige steekproef waarvan wordt aangenomen dat deze dezelfde verdeling heeft als Pr.’

  3. Enceladus Enceladus zegt

    “AI surrogaat computermodel ontwikkelt voor detectie donkere materie”

    Ik heb de kop nu drie keer gelezen en kan niet anders dan concluderen dat er kennelijk een computermodel bestaat dat in staat is tot het ontwikkelen van donkere materie omdat het gedetecteerd wil worden…

    Dat zal vast niet de bedoeling zijn, maar het staat er echt.

    Groet,
    Gert (Enceladus)

    • Voluit geschreven zou de kop luiden: “Er is een computermodel, dat een vervanging is van Artificiële Intelligent, ontwikkeld voor de detectie van donkere materie”. Tsja, blijft erg ingewikkeld. 😀

  4. Angele van Oosterom zegt

    ‘Detectie’ in de bredere betekenis gebruikt van meer te weten te komen over…in dit geval de distributie van DM dmv meer en snellere simulaties.

    • Enceladus Enceladus zegt

      Eh ja, maar zo lang je de kop niet aanpast, beweer je feitelijk dat het computermodel donkere materie maakt…
      Tenzij je wilt beweren dat we in The Matrix leven, kan dat niet.

      Groet,
      Gert (Enceladus)

Speak Your Mind

*

Deze website gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.

%d bloggers liken dit: