ماموریت اقلیدس ESA در حال ترسیم رویدادهای عدسی گرانشی برای ترسیم ساختار مقیاس بزرگ کیهان است. همچنین انتظار می رود اقلیدس بیش از ۱۷۰۰۰۰ ویژگی عدسی گرانشی قوی را نیز کشف کند. انتظار می‌رود هوش مصنوعی به دستیابی به این هدف کمک کند، اما یادگیری ماشینی هنوز در مراحل ابتدایی است، بنابراین انسان‌ها احتمالاً مجبور خواهند بود هر لنز را تأیید کنند.
عدسی گرانشی در اصل توسط نظریه نسبیت عام اینشتین پیش‌بینی شد. این نظریه پیشنهاد کرد که یک جرم عظیم مانند کهکشان یا حتی یک خوشه از کهکشان ها، فضا را منحرف و خم می کند، بنابراین نور اجرام دورتر را بزرگ می کند. نور در فضا در یک خط مستقیم حرکت می کند، اما فضا را خم می کند، برای مثال در یک میدان گرانشی، و به نظر می رسد نور نیز خم می شود. اثر عدسی می تواند منجر به پدیده های بصری مختلف مانند قوس ها، تصاویر متعدد لنز یا حتی حلقه کامل در اطراف یک شی شود که به عنوان حلقه انیشتین شناخته می شود.
مشاهده عدسی های گرانشی بینشی عالی از توزیع ماده در سراسر جهان به دست می دهد. یکی از کاوشگری که در حال کاوش و مطالعه این پدیده است، ماموریت اقلیدس است. این هواپیما توسط آژانس فضایی اروپا در سال ۱۴۰۲ برای مطالعه وقایع عدسی پرتاب شد. مطالعه عدسی ها و تجزیه و تحلیل تصاویر حاصل از میلیاردها کهکشان مرئی، امکان ساخت یک نقشه دقیق را فراهم می کند که توزیع ماده تاریک و انرژی تاریک را آشکار می کند. این به ما کمک می کند تا بفهمیم ماده تاریک چگونه ساختارهای جهان را شکل می دهد و چگونه انرژی تاریک باعث انبساط سریع جهان می شود.
یکی از جنبه‌های مأموریت اقلیدس، بررسی گسترده اقلیدس (EWS) است که ۱۴۰۰۰ درجه مربع از آسمان را در جستجوی لنزهای گرانشی مشاهده می‌کند. پیش‌بینی می‌شود که این مطالعه ۱۷۰۰۰۰ لنز گرانشی قوی پیدا کند (عدسی گرانشی قوی تصویری بسیار قوی ایجاد می‌کند، در حالی که رویدادهای ضعیف بسیار ظریف‌تر هستند). چالش در شناسایی ویژگی‌های عدسی است که پردازش این مقدار داده برای انسان چالش‌برانگیز است.
الگوریتم‌های یادگیری ماشین قبلاً برای شناسایی لنزهای قوی از جمله استفاده از شبکه‌های عصبی کانولوشن (CNN) استفاده شده‌اند. این شبکه‌ها اغلب در تجزیه و تحلیل تصویر استفاده می‌شوند و از چندین لایه تشکیل شده‌اند. یک تصویر به عنوان ورودی استفاده می شود، از طریق چندین لایه مختلف تجزیه و تحلیل می شود، اما باید قبل از ارسال به لایه بعدی، به یک آستانه مشخص برسد. در نهایت، اگر با موفقیت از تمام لایه های تجزیه و تحلیل عبور کند، یک عدسی گرانشی قوی باید شناسایی شود.
تیمی از محققان به سرپرستی R. Pearce-Casey از دانشگاه آزاد در بریتانیا شناسایی کرده‌اند که فناوری یادگیری ماشینی می‌تواند تعدادی از مثبت‌های کاذب را ارائه دهد که همچنان نیازمند بازرسی بصری انسان از نتایج است. هدف تحقیق آنها شناسایی یک مدل CNN با کیفیت بالاتر و نقطه شروع قوی برای بهبود خروجی فرآیند تشخیص مبتنی بر CNN است. برای آزمایش رویکرد خود، آنها تصاویری از رصد انتشار زودهنگام اقلیدس از میدان پرسئوس گرفتند و تحلیل CNN خود را به کار گرفتند. نتایج امیدوارکننده بودند، اما زمانی که برای داده‌های واقعی اقلیدس EWS اعمال شد، نتایج همچنان به تأیید انسانی نیاز داشت.
این تیم اکنون در حال بررسی است که آیا ممکن است یک مرحله فیلتر دوم قبل از تجزیه و تحلیل CNN برای تنظیم دقیق شناسایی لنزهای قوی مورد نیاز باشد یا خیر. آنها به این نتیجه رسیدند که در حال حاضر، هیچ جایگزینی برای کره چشم قدیمی انسان وجود ندارد تا وجود لنزهای گرانشی قوی و به ویژه ضعیف را برای ریشه کن کردن نکات مثبت کاذب یادگیری ماشین تأیید کند.
