Comment la vision artificielle réinvente l'étude des galaxies

Galaxy Zoo est l'un des projets scientifiques participatifs les plus remarquables sur le Web. Depuis 2007, il a fait appel à plus d'un demi-million de scientifiques citoyens du monde entier pour classer les images de près d'un million de galaxies.

Cet effort est en train de révolutionner notre compréhension de la formation des galaxies. Les formes, les tailles et les couleurs des galaxies sont le résultat de leur âge, des conditions dans lesquelles elles se sont formées et des interactions qu'elles ont eues avec d'autres galaxies pendant plusieurs milliards d'années.

Une classification détaillée des types de galaxies est donc cruciale pour démêler les origines de ces corps. En effet, Galaxy Zoo a été conçu comme une solution au problème de classification des 900 000 galaxies qui ont été photographiées par un projet connu sous le nom de Sloan Digital Sky Survey.

Cela semble parfaitement adapté à l'intelligence artificielle. Mais bien que la tâche de classer les galaxies soit relativement simple pour les humains, elle a toujours été hors de portée de la technologie de vision artificielle. Jusqu'à maintenant.

Au cours des deux dernières années, des avancées majeures dans une technique appelée réseaux de neurones à convolution profonde ont fait de la vision artificielle l'égale de la vision humaine dans de nombreuses tâches. Par exemple, au cours de la dernière année environ, des réseaux de neurones à convolution profonde sont devenus aussi bons que les humains en reconnaissance faciale , un problème qui déroute les informaticiens depuis des décennies.

Comparée à la reconnaissance faciale, la classification des galaxies devrait être un jeu d'enfant. Et c'est ainsi qu'il s'avère. Aujourd'hui, Sander Dieleman de l'Université de Gand en Belgique et quelques amis disent avoir mis au point un réseau neuronal convolutif capable de classer avec précision un large éventail de galaxies, une réalisation qui promet d'automatiser une grande partie du travail que Galaxy Zoo fait maintenant.

De plus, l'approche de la vision artificielle évolue plus efficacement que le crowdsourcing, ce qui signifie que les ordinateurs devraient être capables d'analyser les centaines de millions d'images de galaxies que les observatoires du monde entier et dans l'espace devraient produire dans les années à venir.

La vision artificielle s'est considérablement améliorée ces dernières années en raison de deux facteurs distincts. Le premier comprend des améliorations technologiques, telles que des réseaux de neurones convolutifs plus efficaces et des ordinateurs plus rapides.

La seconde est le fait que de grands ensembles de données d'entraînement sont soudainement devenus disponibles grâce au nouveau phénomène de crowdpower. Pour la classification des galaxies, cet ensemble de données d'entraînement provient du processus Galaxy Zoo lui-même dans lequel des centaines de milliers d'humains ont annoté des images de galaxies.

Cet énorme ensemble de données est crucial. Les informaticiens utilisent ces types d'ensembles de données annotés pour former des réseaux de neurones à reconnaître des caractéristiques spécifiques - dans ce cas, si une galaxie est lisse et arrondie, si elle a une barre au centre, si le centre a un renflement ou s'il y a des signes de modèles de bras en spirale et ainsi de suite.

Ce sont exactement les questions auxquelles la foule a déjà répondu dans l'ensemble de données Galaxy Zoo. Il est donc relativement simple de prélever un échantillon des données pour former un réseau de neurones convolutifs. Dieleman et co sélectionnent quelque 60 000 images annotées pour cette tâche.

Il s'agit d'un ensemble de données de formation relativement petit selon les normes modernes. Alors pour augmenter sa taille, ils ont modifié chacune des images en changeant son centrage, en la retournant pour créer une image miroir et surtout en la faisant tourner pour que le réseau de neurones apprenne à exploiter la symétrie de rotation des galaxies.

C'est extrêmement important car la classification d'une galaxie ne devrait pas dépendre de l'orientation dans laquelle elle est vue. La capture de cette propriété d'invariance est cruciale.

Dieleman et co utilisent ensuite cet ensemble de données pour entraîner un réseau neuronal convolutif à reconnaître la forme et la structure des galaxies, en répondant à des questions telles que le nombre de bras spiraux, leur degré de serrage, y a-t-il quelque chose d'étrange dans la galaxie, etc. les mêmes questions auxquelles les humains ont déjà répondu). Leur réseau se compose de sept couches qui filtrent chacune efficacement les données pour les fonctionnalités de niveau supérieur.

L'équipe utilise ensuite le réseau formé pour évaluer 80 000 images supplémentaires qui ne sont pas annotées, puis compare les résultats à la précision de la classification humaine.

Les résultats sont impressionnants. Dieleman et co disent que pour la plupart des classifications, les précisions obtenues par les humains et les machines sont comparables. Notre nouvelle approche pour exploiter la symétrie de rotation était essentielle pour obtenir des performances de pointe, soulignent-ils.

Cependant, ils se gardent de dire directement que leur classification en vision artificielle est meilleure que la classification humaine. Cet appel sera inévitablement laissé à d'autres observateurs. Ce qu'ils disent, c'est que la vision artificielle facilitera la tâche des experts. Cette approche réduit considérablement la charge de travail des experts sans affecter la précision, concluent-ils.

L'avancée la plus importante est que cette technique peut être mise à l'échelle beaucoup plus efficacement que le crowd power. Après tout, les réseaux de neurones convolutifs peuvent fonctionner 24h/24 et 7j/7 et ne jamais se lasser. L'application de ces algorithmes à de plus grands ensembles de données de formation sera essentielle pour analyser les résultats des futures enquêtes, disent Dieleman et co.

En effet, seul un sceptique pur et dur dira que cette technique ne changera pas la façon dont les galaxies sont classées dans un avenir proche.

Cela ne signifie pas que les humains seront exclus du processus de classification des galaxies. Loin de là. Ce type de travail automatisé dépend essentiellement de la qualité de l'ensemble de données d'apprentissage. Donc, si les astronomes veulent poser différentes questions sur les galaxies et utiliser la vision artificielle pour y répondre, ils devront d'abord créer un grand ensemble de données d'entraînement qui a été annoté avec précision par les humains.

Le rôle du crowdpower est donc appelé à changer et, en un sens, à devenir encore plus important. À l'avenir, les scientifiques citoyens produiront les ensembles de données de formation de référence que les algorithmes de vision industrielle utiliseront pour apprendre leurs tâches.

Ce sera un travail important et il semble devoir se poursuivre pendant un certain temps. Du moins, jusqu'à ce qu'une nouvelle génération de machines intelligentes supprime même cette étape.

Réf : arxiv.org/abs/1503.07077 : Réseaux de neurones convolutifs invariants en rotation pour la prédiction de la morphologie des galaxies

cacher