Mye oppmerksomhet har blitt viet til maskinlæringsteknikken kjent som “dyp læring”, der datamaskiner er i stand til å skille mønstre i data uten å være spesielt programmert til det. De siste årene har denne teknikken blitt brukt på en rekke applikasjoner, som inkluderer stemme- og ansiktsgjenkjenning for sosiale medieplattformer som Facebook.
Astronomer drar imidlertid også nytte av dyp læring, noe som hjelper dem å analysere bilder av galakser og forstå hvordan de former og utvikler seg. I en ny studie brukte et team av internasjonale forskere en dyp læringsalgoritme for å analysere bilder av galakser fra Hubble romteleskop. Denne metoden viste seg å være effektiv til å klassifisere disse galaksene basert på hvilket stadium de var i utviklingen.
Studien, med tittelen “Deep Learning Identify High-z Galaxies in a Central Blue Nugget Phase in a Characteristic Mass Range”, dukket nylig opp online og har blitt akseptert for publisering i Astrophysical Journal. Studien ble ledet av Marc Huertes-Company ved University Paris Diderot og inkluderte medlemmer fra University of California Santa Cruz (UCSC), Det hebraiske universitetet, Space Telescope Science Institute, University of Pennsylvania Philadelphia, MINES ParisTech og Shanghai Normal University (SNHU).
I det siste har Marc Huertas-Company allerede brukt dype læringsmetoder Hubble data av hensyn til galakse klassifisering. I samarbeid med David Koo og Joel Primack, som begge er professor emeritus 'ved UC Santa Cruz (og med støtte fra Google), brukte Huertas-Company og teamet de siste to somrene på å utvikle et nevralt nettverk som kunne identifisere galakser på forskjellige stadier i deres evolusjon.
"Dette prosjektet var bare en av flere ideer vi hadde," sa Koo i en fersk pressemelding fra USCS. "Vi ønsket å velge en prosess som teoretikere kan definere klart basert på simuleringene, og som har noe å gjøre med hvordan en galakse ser ut, og deretter ha den dype læringsalgoritmen se etter den i observasjonene. Vi begynner akkurat å utforske denne nye måten å forske på. Det er en ny måte å smelte teori og observasjoner på. "
For studiens skyld brukte forskerne datasimuleringer for å generere spotte bilder av galakser slik de ville se ut i observasjoner av Hubble romteleskop. Spottbildene ble brukt til å trene det dype læringsnevrale nettverket til å gjenkjenne tre viktige faser av galakseutviklingen som tidligere var blitt identifisert i simuleringene. Forskerne brukte deretter nettverket til å analysere et stort sett med faktiske Hubble-bilder.
I likhet med tidligere bilder anaylzed av Huertas-Company, er disse bildene en del av Hubbles Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey (CANDELS) -prosjekt - det største prosjektet i historien til Hubble romteleskop. Det de fant var at nevrale nettverkets klassifiseringer av simulerte og virkelige galakser var bemerkelsesverdig konsistente. Som Joel Primack forklarte:
”Vi forventet ikke at det skulle være så vellykket. Jeg er overrasket over hvor kraftig dette er. Vi vet at simuleringene har begrensninger, så vi ønsker ikke å gjøre for sterke krav. Men vi tror ikke dette bare er en heldig fluke. ”
Forskerteamet var spesielt interessert i galakser som har en liten, tett, stjernedannende region kjent som en "blå nugget". Disse regionene forekommer tidlig i utviklingen av gassrike galakser, når store strømmer av gass inn i sentrum av en galakse forårsaker dannelse av unge stjerner som sender ut blått lys. For å simulere disse og andre typer galakser, stolte teamet på avanserte VELA-simuleringer utviklet av Primack og et internasjonalt team av samarbeidspartnere.
I både simulerte og observasjonsdata fant dataprogrammet at den "blå nugget" -fasen bare forekommer i galakser med masser innenfor et bestemt område. Dette ble fulgt av stjernedannelse som ender i det sentrale området, noe som førte til den kompakte "red nugget" -fasen, der stjernene i det sentrale området forlater hovedsekvensfasen og blir røde giganter.
Konsistensen i massesortimentet var spennende fordi det tydet på at nevrale nettverket identifiserte et mønster som er resultat fra en fysisk nøkkelprosess i virkelige galakser - og uten å måtte få beskjed om det. Som Koo antydet, var denne studien et stort skritt fremover for astronomi og AI, men mye forskning må fortsatt gjøres:
“VELA-simuleringene har hatt stor suksess med å hjelpe oss å forstå CANDELS-observasjonene. Ingen har perfekte simuleringer. Når vi fortsetter dette arbeidet, vil vi fortsette å utvikle bedre simuleringer. ”
Teamets simuleringer inkluderte for eksempel ikke rollen som ble spilt av Active Galactic Nuclei (AGN). I større galakser blir gass og støv tilført et sentralt Supermassive Black Hole (SMBH) i kjernen, noe som fører til at gass og stråling kastes ut i store jetfly. Noen nyere studier har indikert hvordan dette kan ha en hindrende effekt på stjernedannelse i galakser.
Imidlertid har observasjoner av fjerne, yngre galakser vist bevis på fenomenet som er observert i teamets simuleringer, der gassrike kjerner fører til den blå nuggetfasen. Ifølge Koo har bruk av dyp læring for å studere galaktisk evolusjon potensial til å avsløre tidligere uoppdagede aspekter av observasjonsdata. I stedet for å observere galakser som øyeblikksbilder i tid, vil astronomer kunne simulere hvordan de utvikler seg over milliarder av år.
"Dyp læring ser etter mønstre, og maskinen kan se mønstre som er så komplekse at vi mennesker ikke ser dem," sa han. "Vi ønsker å gjøre mye mer testing av denne tilnærmingen, men i denne proof-of-concept-studien så det ut til at maskinen med hell fant i dataene de forskjellige stadiene i galakseutviklingen som ble identifisert i simuleringene."
I fremtiden vil astronomer ha mer observasjonsdata for å analysere takket være distribusjonen av neste generasjons teleskoper som Stort synoptisk undersøkelsesteleskop (LSST), the James Webb romteleskop (JWST), og Infrarødt undersøkelsesteleskop med bred felt (WFIRST). Disse teleskopene vil gi enda mer massive datasett, som deretter kan analyseres ved hjelp av maskinlæringsmetoder for å bestemme hvilke mønstre som finnes.
Astronomi og kunstig intelligens, som jobber sammen for å bedre vår forståelse av universet. Jeg lurer på om vi også bør legge det på oppgaven å finne en teori om alt (ToE)!
