Neuraal netwerk leert telescopen efficiënter te besturen dan mensen

Specialisten van de Northwestern University, de University of Chicago en het Fermi National Accelerator Laboratory hebben een deep learning-systeem ontwikkeld en getest dat in realtime het schema van astronomische waarnemingen berekent en aanpast op basis van het weer en de maanfasen. Het algoritme is ingezet in het kader van het SkAI Institute for Artificial Intelligence in de Lucht- en Ruimtevaart op de 4-meter Victor Blanco-telescoop bij het Cerro Tololo Inter-American Observatory in Chili. Voorheen moesten operators handmatig rekening houden met de transparantie van de atmosfeer en het maanlicht om overbelichte beelden te voorkomen, en bij een fout kon een herhaalde sessie maanden worden uitgesteld vanwege concurrentie om observatietijd. In plaats van klassieke regels gebruikten de ontwikkelaars reinforcement learning, waarbij ze een neuraal netwerk trainden op gegevens van het Dark Energy Survey-project. Het model analyseerde menselijke acties en vergeleek deze met archiefweerberichten. Tijdens twee testruns op de DECam-camera toonde het algoritme een efficiëntie die vergelijkbaar is met die van gekwalificeerde wetenschappers. De auteurs zijn van plan de code aan te passen zodat het systeem op zoek gaat naar onconventionele observatietrajecten die mensen negeren vanwege cognitieve vooroordelen. Automatisering zal astronomen tijd vrijmaken voor het analyseren van ontdekkingen en helpen bij het efficiënt verdelen van middelen van toekomstige observatoria, waaronder het Vera Rubin Observatorium.