Mappe di lensing gravitazionale debole basate sul modello cosmologico standard Lambda-Cdm, ottenute dai dati (in alto) e prodotte da reti neurali antagoniste generative (in basso). Crediti: Berkeley Lab
Quando la Natura è troppo complessa per essere studiata direttamente, gli scienziati la simulano, elaborando modelli in grado di riprodurre l’aspetto e il funzionamento del fenomeno indagato, così da poter mettere alla prova le loro teorie confrontando i dati sperimentali con quelli prodotti artificialmente. In alcuni casi, però, queste simulazioni possono a loro volta raggiungere complessità e dimensioni tali da risultare proibitive in termini computazionali. Come fare, in questi casi? Una risposta arriva ora da una nuova classe di algoritmi di machine learning basati sulla teoria dei giochi: le reti antagoniste generative (in inglese Gan, acronimo di generative adversarial network).
Ed è proprio avvalendosi di queste reti che una collaborazione fra Berkeley Lab, Google Research e l’università sudafricana di KwaZulu-Natal ha messo a punto CosmoGan, un software in grado di produrre in completa autonomia – senza alcun intervento umano – fedelissime mappe di convergenza del lensing gravitazionale debole. Algoritmo e risultati sono descritti in un articolo, guidato da Mustafa Mustafa del Lawrence Berkeley National Laboratory, pubblicato su Computational Astrophysics and Cosmology. Le mappe prodotte – o meglio, emerse – dalla “competizione” fra le reti neurali antagoniste sono preziose per chiunque si trovi a studiare le proprietà della materia oscura. Ma l’approccio sembra promettente anche per molti altri ambiti della fisica in cui siano richieste simulazioni di grande complessità.
«Le Gan sono particolari architetture di reti convolutive, generalmente usate in applicazioni nelle quali si vogliono generare contenuti o oggetti: ad esempio immagini di galassie, o altre strutture», spiega a Media Inaf Massimo Meneghetti, ricercatore all’Inaf Oas di Bologna, esperto di lensing e astrofisica computazionale. «Si tratta di due reti neurali che lavorano in coppia. C’è una rete che “genera” oggetti a partire da rumore, e un’altra rete che ha il compito di “discriminare” fra oggetti veri e falsi. Le due reti vengono allenate insieme: la prima, il generatore, apprende come produrre oggetti sempre più realistici, in modo da “imbrogliare” l’altra rete, il discriminatore. Quest’ultima invece diventa sempre più abile nel distinguere il vero dal falso. Questa specie di “guerra” tra le due reti porta alla realizzazione di oggetti che sono praticamente indistinguibili dalla realtà».
Il risultato, applicato alle mappe di lensing gravitazionale, lo potete vedere nell’immagine di apertura. Le tre mappe in alto sono quelle di convalida basate sui dati, quelle in basso sono invece prodotte dalle reti neurali antagoniste.
«Tecniche di deep learning come le Gan stanno diventando di uso molto comune in molte applicazioni astrofisiche», dice Meneghetti. «Anche alcuni ricercatori dell’Inaf le utilizzano, in ambiti che vanno dalle simulazioni di immagini alla classificazione morfologica di galassie, e molto altro. Sono uno degli argomenti sui quali ci confronteremo il prossimo settembre, a Pula, in un workshop dedicato proprio a questi temi».
Per saperne di più:
- Leggi su Computational Astrophysics and Cosmology l’articolo “CosmoGAN: creating high-fidelity weak lensing convergence maps using Generative Adversarial Networks”, di Mustafa Mustafa, Deborah Bard, Wahid Bhimji, Zarija Lukić, Rami Al-Rfou e Jan M. Kratochvil
- Un ottimo articolo sull’impiego delle reti antagoniste generative è “A path to unsupervised learning through adversarial networks”, firmato da due ricercatori di Facebook, Soumith Chintala e Yann LeCun