Telescopi, gli strumenti di lavoro dell'astronomia, sono limitati dalle dimensioni dello specchio o dell'obiettivo che utilizzano. Usando "reti neurali", una forma di intelligenza artificiale, un gruppo di ricercatori svizzeri ha ora un modo per superare quel limite, offrendo agli scienziati la prospettiva delle immagini più nitide mai viste nell'astronomia ottica. Il nuovo lavoro appare in un giornale in Avvisi mensili della Royal Astronomical Society .

Il diametro della sua lente o specchio, la cosiddetta apertura, limita fondamentalmente qualsiasi telescopio. In parole povere, più grande è lo specchio o la lente, più luce raccoglie, permettendo agli astronomi di rilevare oggetti più deboli, e osservarli più chiaramente. Un concetto statistico noto come "teorema di campionamento di Nyquist" descrive il limite di risoluzione, e quindi quanti dettagli si possono vedere.

Lo studio svizzero, guidato dal prof. Kevin Schawinski dell'ETH di Zurigo, utilizza la più recente tecnologia di apprendimento automatico per sfidare questo limite. Insegnano una rete neurale, un approccio computazionale che simula i neuroni in un cervello, che aspetto hanno le galassie, e poi chiedigli di recuperare automaticamente un'immagine sfocata e trasformarla in una nitida. Proprio come un umano, la rete neurale ha bisogno di esempi - in questo caso un'immagine sfocata e nitida della stessa galassia - per apprendere la tecnica.

Il loro sistema utilizza due reti neurali in competizione tra loro, un approccio emergente popolare tra la comunità di ricerca sull'apprendimento automatico chiamato "rete adversarial generativa", o GAN. L'intero programma di insegnamento ha richiesto solo poche ore su un computer ad alte prestazioni.

Le reti neurali addestrate sono state in grado di riconoscere e ricostruire caratteristiche che il telescopio non è stato in grado di risolvere, come le regioni di formazione stellare, barre e corsie di polvere nelle galassie. Gli scienziati lo hanno confrontato con l'immagine originale ad alta risoluzione per testarne le prestazioni, trovandolo in grado di recuperare le funzionalità meglio di qualsiasi altra cosa usata fino ad oggi, compreso l'approccio di "deconvoluzione" utilizzato per migliorare le immagini realizzate nei primi anni del telescopio spaziale Hubble.

Schawinski vede questo come un grande passo in avanti:"Possiamo iniziare tornando ai rilievi del cielo fatti con i telescopi nel corso di molti anni, vedere più dettagli che mai, e per esempio saperne di più sulla struttura delle galassie. Non c'è motivo per cui non possiamo quindi applicare questa tecnica alle immagini più profonde di Hubble, e il prossimo telescopio spaziale James Webb, per saperne di più sulle prime strutture dell'Universo."

Professor Ce Zhang, il collaboratore informatico, vede anche un grande potenziale:"L'enorme quantità di dati astronomici è sempre affascinante per gli scienziati informatici. Ma, quando emergono tecniche come l'apprendimento automatico, l'astrofisica fornisce anche un ottimo banco di prova per affrontare una questione computazionale fondamentale:come integrare e sfruttare le conoscenze che gli esseri umani hanno accumulato nel corso di migliaia di anni, utilizzando un sistema di apprendimento automatico? Speriamo che anche la nostra collaborazione con Kevin possa far luce su questa domanda".

Il successo del progetto punta a un futuro più "data-driven" per l'astrofisica in cui le informazioni vengono apprese automaticamente dai dati, invece di modelli fisici creati manualmente. L'ETH di Zurigo ospita questo lavoro sull'iniziativa interdisciplinare astrofisica/informatica space.ml, dove il codice è a disposizione del pubblico.