Wiele uwagi poświęcono technice uczenia maszynowego znanej jako „głębokie uczenie się”, w której komputery są w stanie rozpoznać wzorce danych bez specjalnego programowania. W ostatnich latach technika ta została zastosowana w wielu aplikacjach, w tym w rozpoznawaniu głosu i twarzy na platformach społecznościowych, takich jak Facebook.
Jednak astronomowie czerpią również korzyści z głębokiego uczenia się, które pomaga im analizować obrazy galaktyk i zrozumieć, jak się formują i ewoluują. W nowym badaniu zespół międzynarodowych badaczy wykorzystał algorytm głębokiego uczenia się do analizy obrazów galaktyk z Ziemi Kosmiczny teleskop Hubble. Ta metoda okazała się skuteczna w klasyfikacji tych galaktyk na podstawie ich etapu ewolucji.
Badanie zatytułowane „Głębokie uczenie się identyfikuje galaktyki o wysokiej zawartości z w centralnej fazie niebieskich samorodków w charakterystycznym zakresie mas”, niedawno pojawiło się w Internecie i zostało zaakceptowane do publikacji w Astrophysical Journal. Badanie było prowadzone przez Marc Huertes-Company z University Paris Diderot i obejmowało członków z University of California Santa Cruz (UCSC), Hebrew University, Space Telescope Science Institute, University of Pennsylvania Philadelphia, MINES ParisTech i Shanghai Normal University (SNHU).
W przeszłości Marc Huertas-Company stosował już metody głębokiego uczenia się Hubble dane ze względu na klasyfikację galaktyk. We współpracy z Davidem Koo i Joelem Primackiem, obaj są emerytowanymi profesorami na UC Santa Cruz (i przy wsparciu Google), Huertas-Company i zespół spędzili ostatnie dwa lata na rozwoju sieci neuronowej, która może identyfikować galaktyki na różnych etapach w ich ewolucji.
„Ten projekt był tylko jednym z kilku pomysłów, jakie mieliśmy” - powiedział Koo w najnowszym komunikacie prasowym USCS. „Chcieliśmy wybrać proces, który teoretycy mogą jasno zdefiniować na podstawie symulacji i który ma coś wspólnego z tym, jak wygląda galaktyka, a następnie zastosować algorytm głębokiego uczenia w obserwacjach. Właśnie zaczynamy odkrywać ten nowy sposób prowadzenia badań. To nowy sposób łączenia teorii i obserwacji ”.
Na potrzeby badań naukowcy wykorzystali symulacje komputerowe do wygenerowania fałszywych zdjęć galaktyk, które wyglądałyby w obserwacjach Kosmiczny teleskop Hubble. Próbne obrazy wykorzystano do wytrenowania głębokiej sieci neuronowej w rozpoznawaniu trzech kluczowych faz ewolucji galaktyki, które zostały wcześniej zidentyfikowane w symulacjach. Następnie naukowcy wykorzystali sieć do analizy dużego zestawu rzeczywistych obrazów Hubble'a.
Podobnie jak w przypadku poprzednich zdjęć analizowanych przez Huertas-Company, obrazy te są częścią projektu Kosmicznego Zgromadzenia Hubble'a w głębokiej podczerwieni Extragalactic Legacy Survey (CANDELS) - największego projektu w historii Kosmiczny teleskop Hubble. Odkryli, że klasyfikacje sieci neuronowych symulowanych i rzeczywistych galaktyk były niezwykle spójne. Jak wyjaśnił Joel Primack:
„Nie spodziewaliśmy się, że odniesie tak wielki sukces. Jestem zdumiony, jak potężne to jest. Wiemy, że symulacje mają ograniczenia, więc nie chcemy wysuwać zbyt mocnych wniosków. Ale nie uważamy, że to szczęśliwy traf ”.
Zespół badawczy był szczególnie zainteresowany galaktykami, które mają mały, gęsty, tworzący gwiazdy region znany jako „niebieski samorodek”. Regiony te występują na wczesnym etapie rozwoju bogatych w gaz galaktyk, gdy duże przepływy gazu do centrum galaktyki powodują powstawanie młodych gwiazd emitujących niebieskie światło. Aby zasymulować te i inne rodzaje galaktyk, zespół polegał na najnowocześniejszych symulacjach VELA opracowanych przez Primack i międzynarodowy zespół współpracowników.
Zarówno w danych symulowanych, jak i obserwacyjnych program komputerowy stwierdził, że faza „niebieskiego samorodka” występuje tylko w galaktykach o masach w pewnym zakresie. Następnie formacja gwiazd zakończyła się w regionie centralnym, co doprowadziło do zwartej fazy „czerwonego samorodka”, w której gwiazdy w regionie centralnym opuszczają swoją główną fazę sekwencji i stają się czerwonymi gigantami.
Spójność zakresu masy była ekscytująca, ponieważ wskazywała, że sieć neuronowa identyfikuje wzorzec wynikający z kluczowego procesu fizycznego w prawdziwych galaktykach - i nie trzeba tego specjalnie informować. Jak wskazał Koo, badanie to stanowi duży krok naprzód w astronomii i sztucznej inteligencji, ale wciąż pozostaje wiele do zrobienia:
„Symulacje VELA odniosły duży sukces, pomagając nam zrozumieć obserwacje CANDELS. Jednak nikt nie ma doskonałych symulacji. Kontynuując tę pracę, będziemy opracowywać lepsze symulacje ”.
Na przykład symulacje zespołu nie obejmowały roli, jaką odgrywa Active Galactic Nuclei (AGN). W większych galaktykach gaz i pył gromadzą się na centralnej supermasywnej czarnej dziurze (SMBH) w rdzeniu, co powoduje wyrzucanie gazu i promieniowania w ogromne strumienie. Niektóre ostatnie badania wskazały, w jaki sposób może to hamować tworzenie gwiazd w galaktykach.
Obserwacje odległych, młodszych galaktyk wykazały jednak zjawisko zaobserwowane w symulacji zespołu, w których rdzenie bogate w gaz prowadzą do fazy niebieskiego samorodka. Według Koo wykorzystanie głębokiego uczenia do badania ewolucji galaktycznej może ujawnić wcześniej niewykryte aspekty danych obserwacyjnych. Zamiast obserwować galaktyki jako migawki w czasie, astronomowie będą mogli symulować ich ewolucję przez miliardy lat.
„Głębokie uczenie się szuka wzorców, a maszyna może dostrzec wzorce, które są tak złożone, że my ludzie ich nie widzimy” - powiedział. „Chcemy przeprowadzić o wiele więcej testów tego podejścia, ale w tym badaniu potwierdzającym koncepcję maszyna wydawała się z powodzeniem znajdować w danych różne etapy ewolucji galaktyki zidentyfikowane w symulacjach”.
W przyszłości astronomowie będą mieli więcej danych obserwacyjnych do analizy dzięki rozmieszczeniu teleskopów nowej generacji, takich jak Duży synoptyczny teleskop pomiarowy (LSST), Kosmiczny Teleskop Jamesa Webba (JWST) i Szerokopasmowy teleskop pomiarowy w podczerwieni (PIERWSZY). Teleskopy te zapewnią jeszcze bardziej masywne zestawy danych, które można następnie analizować metodami uczenia maszynowego w celu ustalenia, jakie wzorce istnieją.
Astronomia i sztuczna inteligencja, pracując razem, aby lepiej zrozumieć Wszechświat. Zastanawiam się, czy powinniśmy postawić to na zadania znalezienia teorii wszystkiego (ToE)!
