Uso de redes neuronales para analizar y reconstruir imágenes de eventos de microlente gravitacional.Los eventos de microlente gravitacional producen imágenes que a menudo son ruidosas, están mezcladas con luz de fondo y distorsionadas por la función de dispersión de punto del telescopio. Las redes neuronales se han convertido en herramientas poderosas para reconstruir la señal verdadera a partir de estas observaciones desordenadas. Pueden separar el evento de lente de las fuentes contaminantes, estimar los parámetros de la lente e incluso identificar anomalías que los algoritmos clásicos podrían pasar por alto.
La aplicación de redes neuronales al análisis de microlentes ganó impulso a finales de la década de 2010, con estudios que demostraron su capacidad para clasificar eventos y recuperar parámetros más rápido que el ajuste tradicional por chi-cuadrado.
Una red neuronal se entrena con grandes conjuntos de curvas de luz e imágenes simuladas de microlentes, aprendiendo a mapear los datos brutos de píxeles o las series temporales fotométricas a los parámetros físicos subyacentes. Una vez entrenada, la red puede procesar nuevas observaciones en segundos, deconvolucionando la imagen, eliminando el ruido y prediciendo la masa, la distancia y el movimiento relativo del objeto que actúa como lente. Algunas arquitecturas también utilizan aprendizaje no supervisado para detectar eventos inusuales sin necesidad de ejemplos etiquetados.
El análisis en tiempo real de alertas de microlentes, como las del estudio planificado del Telescopio Espacial Romano, dependerá de redes neuronales para identificar y caracterizar rápidamente los eventos y así realizar observaciones de seguimiento.
Las redes neuronales pueden reconstruir la imagen de una fuente con lente incluso cuando el evento es tan débil que la señal está enterrada en el ruido, por debajo del umbral de detección de los algoritmos convencionales.
| x | variable | data sample — sample |
| z | variable | latent variable sample — latent variable |
| D(x) | variable | discriminator output for real data — discriminator output |
| G(z) | variable | generator output for latent variable — generator output |
| V(D,G) | variable | value function of the game — value function |
| min_G | operador | minimize with respect to generator parameters — minimization over generator |
| max_D | operador | maximize with respect to discriminator parameters — maximization over discriminator |
| E_{x~p_data} | operador | expectation over the empirical data distribution — expectation over data distribution |
| E_{z~p_z} | operador | expectation over the latent prior distribution — expectation over latent distribution |
| log | operador | natural logarithm — logaritmo |
