Med yrkestiteln forskare följer ofta ett arbete som innebär hantering av data, ibland stora mängder, ibland mindre. Problemet är att alla inte gillar det, eller har kunskapen. Som astronomen Kevin Schawinski. Så när han ville använda maskininlärning för att bearbeta sina data från svarta hål fick han ta hjälp ac en kollega, en datavetare.

Resultatet blev ett neuralt nätverk som kan ta suddiga bilder tagna långt bort från vår egen planet och göra dem skarpa. En slags automatisering av astronomin. De självlärda maskinerna kan identifiera, klassificera och rensa upp bland bilderna betydligt bättre och snabbare än människor. I en intervju med Wired säger Kevin Schawinski att det är lite som att hitta den heliga graalen.

Läs också: Rymdpartiklar kan släcka datorer och slå ut våra telefoner

Tillsammans med Ce Zhang, som även han arbetar på den tekniska högskolan ETH i Zürich, började han så som man gjort i många andra projekt. Genom att titta på redan existerande neurala nätverk. I detta fall ett som tog fram bilder på katter baserat på bildernas ”katt-ighet”, jämfört med en uppsättning bilder på djuren.

Denna typ av system kallas GAN, generative adversarial network. I det sammanfogas två datorer, var och en med sitt neurala nätverk och ställer dem mot varandra. Det ena systemet matades först med suddiga bilder på galaxer och därefter med upprensade bilder av samma objekt. Nätverket försökte så gott det kunde förbättra de suddiga bilderna för att matcha de skarpa.

Dator två hade till uppgift att utvärdera skillnaden mellan de bilderna som dator ett rensat upp och de som tidigare bedömts vara okej. Fullärd lyckades GAN-systemet visa detaljer och upplösning i bilderna som inte ens ett teleskop klarade av. Och det är detta som Kevin Schawinski menar är den heliga graalen.

– Inom astronomin vill vi väldigt gärna ta bilder och göra dem bättre än de egentligen är, säger han.

Läs också: Elon Musks plan för Mars: bygga en hel stad – 100 personer åt gången

Vad som händer nu vill eller kan de två forskarna inte gå in på. Åtminstone inte vad som väntar precis runt knuten. På längre sikt tror de däremot att verktyg liknande detta neurala nätverk kommer ingå i alla forskares verktygslåda.

– Forskare borde inte behöva vara experter på djupinlärning och besitta svårbegriplig kunskap som kanske bara fem personer i världen har koll på, säger Kevin Schawinski.

Neurala nätverk och maskininlärning används redan i dag av forskare för att rengöra radiosignaler. Till exempel att skilja på radioljud som skapats av människor från signaler från satelliter, flygplatser eller wifi-routrar. En sörja som inte lär bli mindre rörig i takt med att våra elektroniska prylar blir fler och kommunikationen mellan dem allt viktigare.