O multă atenție a fost dedicată tehnicii de învățare automată cunoscută sub numele de „învățare profundă”, unde computerele sunt capabile să discerne tiparele în date fără a fi programate în mod special pentru a face acest lucru. În ultimii ani, această tehnică a fost aplicată la o serie de aplicații, care includ recunoașterea vocală și facială pentru platformele de socializare precum Facebook.
Cu toate acestea, astronomii beneficiază și de învățarea profundă, ceea ce îi ajută să analizeze imagini ale galaxiilor și să înțeleagă modul în care acestea se formează și evoluează. Într-un nou studiu, o echipă de cercetători internaționali a utilizat un algoritm de învățare profundă pentru a analiza imaginile galaxiilor din Telescopul spațial Hubble. Această metodă s-a dovedit eficientă la clasificarea acestor galaxii în funcție de ce etapă au fost în evoluția lor.
Studiul, intitulat „Deep Learning Identifies High-z Galaxies in a Central Blue Nugget Phase in a Characteristic Mass Range”, a apărut recent online și a fost acceptat pentru publicare în Jurnalul astrofizic. Studiul a fost condus de Marc Huertes-Compania Universității Paris Diderot și a inclus membri de la Universitatea din California Santa Cruz (UCSC), Universitatea Ebraică, Institutul de Științe al Telescopului Spațial, Universitatea Pennsylvania Philadelphia, MINES ParisTech și Shanghai Normal University (SNHU).
În trecut, Marc Huertas-Company a aplicat deja metode de învățare profundă Hubble date de dragul clasificării galaxiilor. În colaborare cu David Koo și Joel Primack, amândoi profesori emeriti la UC Santa Cruz (și cu sprijin din partea Google), Huertas-Company și echipa au petrecut ultimele două veri dezvoltând o rețea neuronală care ar putea identifica galaxii în diferite etape în evoluția lor.
„Acest proiect a fost doar una dintre mai multe idei pe care le-am avut”, a spus Koo într-un comunicat de presă USCS. „Am vrut să alegem un proces pe care teoreticienii îl pot defini în mod clar pe baza simulărilor și care are ceva de-a face cu aspectul unei galaxii, apoi să-l caute în observații algoritmul de învățare profundă. Abia începem să explorăm acest nou mod de a face cercetare. Este un nou mod de a topi teoria și observațiile. "
De dragul studiului lor, cercetătorii au folosit simulări computerizate pentru a genera imagini batjocore ale galaxiilor așa cum ar arăta în observații ale Telescopul spațial Hubble. Imaginile maca au fost folosite pentru a antrena rețeaua neuronală de învățare profundă pentru a recunoaște trei faze cheie ale evoluției galaxiei care au fost identificate anterior în simulări. Cercetătorii au folosit apoi rețeaua pentru a analiza un set mare de imagini Hubble reale.
Ca și în cazul imaginilor anterioare anamizate de Huertas-Company, aceste imagini fac parte din proiectul Hubble Cosmic Assembly aproape infraroșu Deep Extragalactic Legacy Survey (CANDELS) - cel mai mare proiect din istoria Telescopul spațial Hubble. Ceea ce au descoperit a fost că clasificarea rețelei neuronale de galaxii simulate și reale a fost extrem de consistentă. După cum a explicat Joel Primack:
„Nu ne așteptam să fie atât de reușit. Sunt uimit de cât de puternic este acest lucru. Știm că simulările au limitări, așa că nu dorim să facem o pretenție prea puternică. Dar nu credem că acesta este doar un noroc norocos. "
Echipa de cercetare a fost interesată în special de galaxiile care au o regiune mică, densă, formată de stele, cunoscută sub numele de „pepene albastru”. Aceste regiuni apar la începutul evoluției galaxiilor bogate în gaze, când fluxurile mari de gaz în centrul unei galaxii determină formarea de stele tinere care emit lumină albastră. Pentru a simula aceste și alte tipuri de galaxii, echipa s-a bazat pe simulări VELA de ultimă generație dezvoltate de Primack și o echipă internațională de colaboratori.
Atât în datele simulate, cât și în cele observaționale, programul de calculator a constatat că faza „nugget albastru” apare numai în galaxiile cu mase într-un anumit interval. Aceasta a fost urmată de formarea stelelor care s-a încheiat în regiunea centrală, ceea ce a dus la faza compactă de „roșu roșu”, unde stelele din regiunea centrală își părăsesc faza de secvență principală și devin giganți roșii.
Coerența gamei de masă a fost interesantă, deoarece a indicat că rețeaua neuronală a identificat un model care rezultă dintr-un proces fizic cheie în galaxiile reale - și fără a fi necesar să li se spună în mod special acest lucru. După cum a indicat Koo, acest studiu este un mare pas înainte pentru astronomie și AI, dar încă trebuie făcute multe cercetări:
„Simulările VELA au avut mult succes pentru a ne ajuta să înțelegem observațiile CANDELS. Nimeni nu are simulări perfecte. Pe măsură ce continuăm această lucrare, vom continua să dezvoltăm simulări mai bune. ”
De exemplu, simulările echipei nu includeau rolul jucat de nucleele galactice active (AGN). În galaxiile mai mari, gazul și praful sunt acumulate pe un Gura Neagră Supermassivă centrală (SMBH) din miez, care determină evacuarea gazelor și a radiațiilor în jeturi uriașe. Unele studii recente au indicat cum acest lucru poate avea un efect de arestare asupra formării stelelor în galaxii.
Cu toate acestea, observațiile unor galaxii mai tinere și îndepărtate au demonstrat fenomenul observat în simulările echipei, în care miezurile bogate în gaze conduc la faza albastră. Potrivit lui Koo, utilizarea învățării profunde pentru a studia evoluția galactică are potențialul de a dezvălui aspecte nedetectate anterior ale datelor observaționale. În loc să observe galaxiile ca instantanee în timp, astronomii vor putea simula modul în care evoluează de-a lungul a miliarde de ani.
„Învățarea profundă caută tipare și mașina poate vedea modele atât de complexe încât noi oamenii nu le vedem”, a spus el. „Vrem să facem mult mai multe testări ale acestei abordări, dar în acest studiu de dovadă a conceptului, aparatul a părut să găsească cu succes în date diferitele etape ale evoluției galaxiei identificate în simulări.”
În viitor, astronomii vor avea mai multe date de observație pentru a analiza datorită desfășurării de telescoape de generație următoare Telescop de mare sondaj sinoptic (LSST), Telescopul spațial James Webb (JWST) și Telescop de sondaj cu infraroșu larg (WFIRST). Aceste telescoape vor oferi seturi de date și mai masive, care pot fi apoi analizate prin metode de învățare automată pentru a determina ce modele există.
Astronomie și inteligență artificială, lucrând împreună pentru o mai bună înțelegere a Universului. Mă întreb dacă ar trebui să o punem și pe sarcina de a găsi o Teorie a Totului (ToE)!
