Der er viet stor opmærksomhed på maskinlæringsteknikken kendt som ”dyb læring”, hvor computere er i stand til at skelne mønstre i data uden at være specifikt programmeret til at gøre det. I de senere år er denne teknik blevet anvendt til en række applikationer, der inkluderer stemme- og ansigtsgenkendelse til sociale medieplatforme som Facebook.
Astronomer drager imidlertid også fordel af dyb læring, hvilket hjælper dem med at analysere billeder af galakser og forstå, hvordan de dannes og udvikles. I en ny undersøgelse brugte et team af internationale forskere en dyb indlæringsalgoritme til at analysere billeder af galakser fra Hubble-rumteleskop. Denne metode viste sig at være effektiv til at klassificere disse galakser baseret på hvilket stadie de var i deres udvikling.
Undersøgelsen med titlen "Deep Learning Identify High-z Galaxies in a Central Blue Nugget Phase in a Characteristic Mass Range", dukkede for nylig online og er blevet accepteret til offentliggørelse i Astrofysisk tidsskrift. Undersøgelsen blev ledet af Marc Huertes-Company fra University Paris Diderot og omfattede medlemmer fra University of California Santa Cruz (UCSC), det hebraiske universitet, Space Telescope Science Institute, University of Pennsylvania Philadelphia, MINES ParisTech og Shanghai Normal University (SNHU).
Tidligere har Marc Huertas-Company allerede anvendt dybe læringsmetoder til Hubble data af hensyn til galaksklassificering. I samarbejde med David Koo og Joel Primack, som begge er professor emeritus 'ved UC Santa Cruz (og med støtte fra Google), brugte Huertas-Company og teamet de sidste to somre på at udvikle et neuralt netværk, der kunne identificere galakser på forskellige stadier i deres udvikling.
”Dette projekt var kun en af flere ideer, vi havde,” sagde Koo i en nylig pressemeddelelse fra USCS. ”Vi ønskede at vælge en proces, som teoretikere kan definere klart baseret på simuleringerne, og det har noget at gøre med, hvordan en galakse ser ud, så har den dybe læringsalgoritme kigge efter den i observationer. Vi er lige begyndt at udforske denne nye måde at forske på. Det er en ny måde at smelte teori og observationer på. ”
Af hensyn til deres undersøgelse brugte forskerne computersimuleringer til at generere uekte billeder af galakser, som de ville se i observationer af Hubble-rumteleskop. Mock-billederne blev brugt til at træne det dybe lærende neurale netværk til at genkende tre centrale faser af galakseudvikling, der tidligere var blevet identificeret i simuleringerne. Forskerne brugte derefter netværket til at analysere et stort sæt faktiske Hubble-billeder.
Som med tidligere billeder, der er anlagt af Huertas-Company, er disse billeder en del af Hubbles kosmiske forsamling Near-infrared Deep Extragalactic Legacy Survey (CANDELS) -projekt - det største projekt i historien om Hubble-rumteleskop. Hvad de fandt var, at det neurale netværks klassifikationer af simulerede og virkelige galakser var bemærkelsesværdigt ensartede. Som Joel Primack forklarede:
”Vi forventede ikke, at det skulle være så succesfuldt. Jeg er forbløffet over hvor kraftfuld dette er. Vi ved, at simuleringerne har begrænsninger, så vi ønsker ikke at komme med for stærke krav. Men vi tror ikke, at dette kun er en heldig fluke. ”
Forskerteamet var især interesseret i galakser, der har en lille, tæt, stjernedannende region kendt som en "blå klods". Disse regioner forekommer tidligt i udviklingen af gasrige galakser, når store strømme af gas ind i midten af en galakse forårsager dannelse af unge stjerner, der udsender blåt lys. For at simulere disse og andre typer galakser, stole teamet på avancerede VELA-simuleringer udviklet af Primack og et internationalt team af samarbejdspartnere.
I både de simulerede og observationsdata fandt computerprogrammet, at den "blå nugget" -fase kun forekommer i galakser med masser inden for et bestemt interval. Dette blev efterfulgt af stjernedannelse, der sluttede i den centrale region, hvilket førte til den kompakte "røde nugget" -fase, hvor stjernerne i den centrale region forlader deres hovedsekvensfase og bliver røde giganter.
Konsistensen af masseområdet var spændende, fordi det tydede på, at det neurale netværk identificerede et mønster, der er resultatet af en fysisk nøgleproces i ægte galakser - og uden at skulle specifikt få besked om at gøre det. Som Koo antydede, var denne undersøgelse et stort skridt fremad for astronomi og AI, men der skal stadig gøres meget forskning:
”VELA-simuleringerne har haft en stor succes med hensyn til at hjælpe os med at forstå CANDELS-observationer. Ingen har dog perfekte simuleringer. Når vi fortsætter dette arbejde, fortsætter vi med at udvikle bedre simuleringer. ”
Holdets simuleringer inkluderede for eksempel ikke den rolle, som Active Galactic Nuclei (AGN) har spillet. I større galakser overføres gas og støv på en central Supermassive Black Hole (SMBH) i kernen, hvilket får gas og stråling til at blive skubbet ud i store jetfly. Nogle nylige studier har indikeret, hvordan dette kan have en hindrende effekt på stjernedannelse i galakser.
Imidlertid har observationer af fjerne, yngre galakser vist bevis for det fænomen, der er observeret i holdets simuleringer, hvor gasrige kerner fører til den blå nuggetfase. Ifølge Koo har brug af dyb læring til at studere galaktisk evolution potentialet til at afsløre tidligere uopdagede aspekter af observationsdata. I stedet for at observere galakser som øjebliksbilleder i tide, vil astronomer være i stand til at simulere, hvordan de udvikler sig over milliarder af år.
”Dyb læring ser efter mønstre, og maskinen kan se mønstre, der er så komplekse, at vi mennesker ikke kan se dem,” sagde han. "Vi vil udføre en meget mere test af denne tilgang, men i denne proof-of-concept-undersøgelse syntes maskinen med succes at finde de data i de forskellige stadier af galakseudviklingen, der blev identificeret i simuleringerne."
I fremtiden vil astronomer have flere observationsdata til at analysere takket være installationen af næste generations teleskoper som Stort synoptisk undersøgelsesteleskop (LSST), the James Webb-rumteleskop (JWST) og Infrarødt undersøgt teleskop med bred felt (WFIRST). Disse teleskoper vil give endnu mere massive datasæt, som derefter kan analyseres ved hjælp af maskinindlæringsmetoder for at bestemme, hvilke mønstre der findes.
Astronomi og kunstig intelligens, der arbejder sammen for at forbedre vores forståelse af universet. Jeg spekulerer på, om vi også burde sætte det på opgaven at finde en teori om alt (ToE)!
