Rede neural aumenta resolução de imagens astronômicas

Redação do Site Inovação Tecnológica -  07/04/2017

Em cima, a imagem original e a mesma imagem degradada intencionalmente para validação da ferramenta. Embaixo, a imagem recuperada (esquerda) e a recuperação feita pelo antigo sistema usado pelo Hubble (direita).[Imagem: K. Schawinski/C. Zhang/ETH Zurich]

Resolução inferida

A regra fundamental é: se você quer imagens melhores e de maior resolução do espaço, aumente o tamanho do telescópio.

O diâmetro da lente ou espelho, a chamada abertura, limita fundamentalmente qualquer telescópio. Em termos simples, quanto maior a lente, mais luz ela capta, permitindo detectar objetos de luz mais fraca. Um conceito estatístico conhecido como "teorema de amostragem de Shannon-Nyquist" descreve o limite de resolução e, portanto, o nível de detalhe que pode ser visto com um determinado telescópio.

A novidade agora é que é possível melhorar muito a resolução de um telescópio usando imagens de maior resolução - obtidas por telescópios maiores ou por telescópios no espaço - de um determinado corpo celeste. Estas diferentes imagens são usadas para ensinar uma rede neural como telescópios menores e telescópios maiores obtêm imagens diferentes.

Quando a rede estiver treinada, então ela poderá ser aplicada aos telescópios mais avançados, inferindo detalhes que não aparecem nas imagens.

Rede neural adversária

Uma equipe do Instituto ETH de Zurique, na Suíça, usou redes neurais, uma das técnicas de inteligência artificial, para treinar um programa de computador para interpretar os dados coletados pelo telescópio e inferir os detalhes que a imagem astronômica não consegue mostrar.

A rede neural, uma abordagem computacional que simula os neurônios em um cérebro, "aprende", por exemplo, como é a aparência de uma galáxia a partir de imagens de boa qualidade e, a seguir, analisa automaticamente uma imagem borrada da mesma galáxia e tenta transformá-la em uma imagem mais nítida.

O sistema usa duas redes neurais que competem entre si, uma abordagem emergente no campo do aprendizado de máquina chamada de "rede adversária generativa". O treinamento levou apenas algumas horas em um computador de alto desempenho e a rede neural já começou a aumentar a resolução das imagens.

Vendo o invisível

As redes neurais treinadas foram capazes de reconhecer e reconstruir características que o telescópio não poderia distinguir, como regiões de formação de estrelas, as barras e faixas de poeira nas galáxias. A equipe checou os resultados contra as imagens originais de alta resolução e verificou que o programa é melhor na recuperação de detalhes do que qualquer coisa já desenvolvida até hoje, incluindo a abordagem de "deconvolução" usada para melhorar as imagens feitas nos primeiros anos do Telescópio Espacial Hubble.

Isto significa que a ferramenta não precisa se limitar a imagens de telescópios mais fracos: com um treinamento suficiente, a rede neural pode inferir detalhes de imagens obtidas também pelos telescópios de ponta.

"Nós podemos começar voltando aos levantamentos do céu feitos com telescópios ao longo de muitos anos, ver mais detalhes do que nunca e, por exemplo, aprender mais sobre a estrutura das galáxias. Não há nenhuma razão para que não possamos aplicar essa técnica às imagens mais profundas do Hubble e ao próximo Telescópio Espacial James Webb, para aprender mais sobre as estruturas mais antigas do Universo," disse o professor Kevin Schawinski, idealizador da técnica.

Bibliografia:

Generative adversarial networks recover features in astrophysical images of galaxies beyond the deconvolution limit
Kevin Schawinski, Ce Zhang, Hantian Zhang, Lucas Fowler, Gokula Krishnan Santhanam
Monthly Notices of the Royal Astronomical Society
Vol.: 467 (1): L110-L114
DOI: 10.1093/mnrasl/slx008

CP2