Palju tähelepanu on pühendatud masinõppe tehnikale, mida tuntakse süvaõppena, kus arvutid on võimelised tuvastama andmete mustreid, ilma et oleks spetsiaalselt selleks programmeeritud. Viimastel aastatel on seda tehnikat rakendatud paljudes rakendustes, sealhulgas hääl- ja näotuvastused sotsiaalmeediaplatvormidel nagu Facebook.
Kuid ka astronoomidele on kasu sügavast õppimisest, mis aitab neil analüüsida galaktikate pilte ja mõista nende kujunemist ja arengut. Uues uuringus kasutas rahvusvaheliste teadlaste meeskond süvaõppe algoritmi galaktikate kujutiste analüüsimiseks Hubble'i kosmoseteleskoop. See meetod osutus tõhusaks nende galaktikate klassifitseerimisel vastavalt sellele, mis staadiumis nad olid oma evolutsioonis.
Uuring pealkirjaga „Deep Learning identifitseerib kõrge z-galaktikad sinises nugise keskmises faasis iseloomulikus massvahemikus“ ilmus hiljuti veebis ja on aktsepteeritud avaldamiseks Astrofüüsikaline ajakiri. Uuringut juhtis Pariisi Dideroti ülikooli Marc Huertes-Company ja selles osalesid liikmed California Santa Cruzi ülikoolist (UCSC), Heebrea ülikoolist, Kosmoseteleskoobi teadusinstituudist, Philadelphia Pennsylvania ülikoolist, MINES ParisTech ja Shanghai tavalisest ülikoolist. (SNHU).
Varem on Marc Huertas-Company juba süvaõppe meetodeid rakendanud Hubble andmed galaktikate klassifitseerimise huvides. Koostöös David Koo ja Joel Primackiga, kes mõlemad on UC Santa Cruzi emeriitprofessor (ja Google'i toetusel), veetsid Huertas-Company ja meeskond kaks viimast suve närvivõrgu arendamisel, mis võimaldaks galaktikaid erinevatel etappidel tuvastada nende evolutsioonis.
"See projekt oli vaid üks paljudest ideedest, mis meil oli," ütles Koo hiljutises USCS-i pressiteates. „Tahtsime valida protsessi, mida teoreetikud saavad simulatsioonide põhjal selgelt määratleda ja millel on midagi pistmist sellega, kuidas galaktika välja näeb, siis laske sügava õppe algoritmil seda vaatlustes otsida. Me alles hakkame uurima seda uut viisi uuringute tegemiseks. See on uus viis teooria ja tähelepanekute sulatamiseks. ”
Uuringu huvides kasutasid teadlased arvutisimulatsioone galaktikate piltide genereerimiseks, nagu nad vaatleksid Hubble'i kosmoseteleskoop. Pilte kasutati sügava õppimisega närvivõrgu koolitamiseks, et ära tunda galaktikate evolutsiooni kolm põhifaasi, mis olid simulatsioonides varem tuvastatud. Seejärel kasutasid teadlased võrku suure hulga tegelike Hubble'i piltide analüüsimiseks.
Nagu varasemate Huertas-Company poolt analüüsitud piltide puhul, on ka need Hubble'i kosmilise assamblee lähedal asuva kosmoseteabe sügava ekstragalaktilise pärandi uuringu (CANDELS) projekti - CANDELSi projekti suurim osa - Hubble'i kosmoseteleskoop. Nad leidsid, et närvivõrgu klassifikatsioon simuleeritud ja reaalsetest galaktikatest oli märkimisväärselt ühtlane. Nagu Joel Primack selgitas:
„Me ei oodanud, et see kõik nii edukalt õnnestub. Olen üllatunud, kui võimas see on. Teame, et simulatsioonidel on piiranguid, nii et me ei taha liiga tugevat väidet esitada. Kuid me ei usu, et see on lihtsalt õnnelik häbe. "
Uurimisrühm oli eriti huvitatud galaktikatest, millel on väike, tihe, tähte moodustav piirkond, mida tuntakse nn sinise tükina. Need piirkonnad tekivad gaasirikaste galaktikate evolutsiooni alguses, kui suured gaasivood galaktika keskmesse põhjustavad sinist valgust kiirgavate noorte tähtede moodustumist. Nende ja muud tüüpi galaktikate simuleerimiseks tugines meeskond Primacki ja rahvusvahelise koostööpartnerite välja töötatud nüüdisaegsetele VELA simulatsioonidele.
Nii simuleeritud kui ka vaatlusandmetes leidis arvutiprogramm, et “sinise nugise” faas toimub ainult galaktikates, mille massid jäävad teatud vahemikku. Sellele järgnes tähtede moodustumine, mis lõpeb keskosas, mis viib kompaktse “punase tükikese” faasini, kus keskregiooni tähed väljuvad oma põhijärjestusest ja saavad punastest hiiglastest.
Massivahemiku järjepidevus oli põnev, kuna see näitas, et närvivõrk tuvastab mustri, mis tuleneb võtmefüüsikalistest protsessidest tõelistes galaktikates - ja ilma, et seda oleks spetsiaalselt kästud seda teha. Nagu Koo märkis, oli see uuring astronoomia ja AI jaoks suur samm edasi, kuid siiski on vaja veel palju uurida:
„VELA simulatsioonid on CANDELSi tähelepanekutest aru saamisel palju edu saavutanud. Kuid kellelgi pole täiuslikke simulatsioone. Selle töö jätkamisel arendame edasi paremaid simulatsioone. ”
Näiteks ei hõlmanud meeskonna simulatsioonid aktiivse galaktilise tuuma (AGN) rolli. Suuremates galaktikates akumuleerub gaas ja tolm südamiku kesksesse supermassiivsesse musta auku (SMBH), mis põhjustab gaasi ja radiatsiooni väljutamist tohututes joades. Mõned hiljutised uuringud on näidanud, kuidas see võib pidurdada tähtede moodustumist galaktikates.
Kuid kaugemate, nooremate galaktikate vaatlused on näidanud meeskonna simulatsioonides täheldatud nähtust, kus gaasirikkad tuumad viivad sinise tükikese faasi. Koo sõnul on galaktilise evolutsiooni uurimisel sügava õppimise abil võimalik avastada vaatlusandmete varem avastamata aspekte. Selle asemel, et galaktikaid õigel ajal piltidena vaadelda, saavad astronoomid simuleerida nende arengut miljardite aastate jooksul.
"Sügav õppimine otsib mustreid ja masin näeb mustreid, mis on nii keerulised, et meie, inimesed, ei näe neid," ütles ta. "Tahame seda lähenemisviisi palju rohkem testida, kuid kontseptsiooni tõestamise uuringus näis masin õnnestunud leida andmetes simulatsioonides tuvastatud galaktika evolutsiooni erinevad etapid."
Tulevikus on astronoomidel rohkem vaatlusandmeid, mida saab analüüsida tänu järgmise põlvkonna teleskoopide kasutuselevõtmisele Suur sünoptilise uuringu teleskoop (LSST), James Webbi kosmoseteleskoop (JWST) ja Laivälja infrapuna-uuringuteleskoop (WFIRST). Need teleskoobid pakuvad veelgi massiivsemaid andmekogumeid, mida saab seejärel masinõppe meetoditega analüüsida olemasolevate mustrite kindlaksmääramiseks.
Astronoomia ja tehisintellekt töötavad koos, et paremini mõista meie universumit. Huvitav, kas peaksime panema selle ülesande leida ka kõige teooria!
