Mycket uppmärksamhet har ägnats åt maskininlärningstekniken känd som ”djup inlärning”, där datorer har möjlighet att urskilja mönster i data utan att vara specifikt programmerade för att göra det. Under de senaste åren har denna teknik tillämpats på ett antal applikationer, som inkluderar röst- och ansiktsigenkänning för sociala medieplattformar som Facebook.
Men astronomer drar också nytta av djup inlärning, vilket hjälper dem att analysera bilder av galaxer och förstå hur de bildar och utvecklas. I en ny studie använde ett team av internationella forskare en djup inlärningsalgoritm för att analysera bilder av galaxer från Hubble rymdteleskop. Denna metod visade sig vara effektiv vid klassificering av dessa galaxer baserat på vilket stadium de var i sin utveckling.
Studien, med titeln "Deep Learning Identify High-z Galaxies in a Central Blue Nugget Phase in a Characteristic Mass Range", dykte nyligen upp online och har accepterats för publicering i Astrophysical Journal. Studien leddes av Marc Huertes-Company vid University Paris Diderot och inkluderade medlemmar från University of California Santa Cruz (UCSC), det hebreiska universitetet, Space Telescope Science Institute, University of Pennsylvania Philadelphia, MINES ParisTech och Shanghai Normal University (SNHU).
Tidigare har Marc Huertas-Company redan använt djupa inlärningsmetoder på Hubble data för galaxklassificeringens skull. I samarbete med David Koo och Joel Primack, som båda är professor emeritus 'vid UC Santa Cruz (och med stöd från Google), tillbringade Huertas-Company och teamet de senaste två somrarna på att utveckla ett neuralt nätverk som kunde identifiera galaxer i olika stadier i deras utveckling.
"Detta projekt var bara en av flera idéer vi hade," sade Koo i ett nyligen pressmeddelande från USCS. ”Vi ville välja en process som teoretiker kan definiera klart baserat på simuleringarna, och som har något att göra med hur en galax ser ut, och sedan ha den djupa inlärningsalgoritmen leta efter den i observationerna. Vi börjar precis utforska det här nya sättet att undersöka. Det är ett nytt sätt att smälta teori och observationer. "
För deras studie använde forskarna datasimuleringar för att generera håliga bilder av galaxer som de skulle se i observationer av Hubble rymdteleskop. De håliga bilderna användes för att träna det djupa inlärningsneurala nätverket för att känna igen tre viktiga faser av galaxutvecklingen som tidigare identifierats i simuleringarna. Forskarna använde sedan nätverket för att analysera en stor uppsättning av faktiska Hubble-bilder.
Liksom med tidigare bilder som anlöses av Huertas-Company, är dessa bilder en del av Hubbles Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey (CANDELS) -projektet - det största projektet i historiens historia Hubble rymdteleskop. Vad de fann var att neuralnätverkets klassificeringar av simulerade och verkliga galaxer var anmärkningsvärt konsekvent. Som Joel Primack förklarade:
”Vi förväntade oss inte att det skulle bli så framgångsrikt. Jag är förvånad över hur kraftfullt detta är. Vi vet att simuleringarna har begränsningar, så vi vill inte göra ett för starkt krav. Men vi tror inte att det här är bara en lycka till. "
Forskarteamet var särskilt intresserade av galaxer som har en liten, tät, stjärnbildande region känd som en "blå nugget". Dessa regioner inträffar tidigt i utvecklingen av gasrika galaxer, när stora gasflöden in i mitten av en galax orsakar bildandet av unga stjärnor som avger blått ljus. För att simulera dessa och andra typer av galaxer, förlitade teamet sig på toppmodern VELA-simuleringar utvecklade av Primack och ett internationellt team av kollaboratörer.
I både den simulerade och observationsdata fann datorprogrammet att "blue nugget" -fasen endast förekommer i galaxer med massor inom ett visst intervall. Detta följdes av stjärnbildande som slutade i den centrala regionen, vilket ledde till den kompakta "red nugget" -fasen, där stjärnorna i den centrala regionen lämnar sin huvudsekvensfas och blir röda jättar.
Konsistensen i massområdet var spännande eftersom det indikerade att nervnätverket identifierade ett mönster som är resultatet av en fysisk nyckelprocess i verkliga galaxer - och utan att behöva specifikt berättas för att göra det. Som Koo antydde, är denna studie ett stort steg framåt för astronomi och AI, men mycket forskning måste fortfarande göras:
”VELA-simuleringarna har haft mycket framgång när det gäller att hjälpa oss att förstå CANDELS-observationerna. Ingen har dock perfekta simuleringar. När vi fortsätter med detta arbete kommer vi att fortsätta utveckla bättre simuleringar. ”
Till exempel inkluderade teamets simuleringar inte den roll som Active Galactic Nuclei (AGN) spelade. I större galaxer anbringas gas och damm på ett centralt Supermassive Black Hole (SMBH) i kärnan, vilket gör att gas och strålning kastas ut i enorma jetflygplan. Några nyligen genomförda studier har visat hur detta kan ha en störande effekt på stjärnbildningen i galaxer.
Men observationer av avlägsna, yngre galaxer har visat bevis på fenomenet som observerats i teamets simuleringar, där gasrika kärnor leder till den blå nuggetfasen. Enligt Koo har användning av djup inlärning för att studera galaktisk evolution potentialen att avslöja tidigare oupptäckta aspekter av observationsdata. I stället för att observera galaxer som ögonblicksbilder i tid, kommer astronomer att kunna simulera hur de utvecklas över miljarder år.
"Djupt lärande letar efter mönster, och maskinen kan se mönster som är så komplexa att vi människor inte ser dem," sade han. "Vi vill göra mycket mer testning av detta tillvägagångssätt, men i denna proof-of-concept-studie verkade maskinen framgångsrikt hitta i data de olika stadierna i galaxutvecklingen som identifierades i simuleringarna."
I framtiden kommer astronomer att ha mer observationsdata för att analysera tack vare införandet av nästa generations teleskoper som Stort synoptiskt undersökningsteleskop (LSST), den James Webb rymdteleskop (JWST) och Infrarött undersökningsteleskop med bred fält (WFIRST). Dessa teleskop kommer att ge ännu mer massiva datasätt, som sedan kan analyseras med maskininlärningsmetoder för att bestämma vilka mönster som finns.
Astronomi och konstgjord intelligens som arbetar tillsammans för att förbättra vår förståelse av universum. Jag undrar om vi borde lägga det på uppgiften att hitta en teori om allting (ToE) också!
