Много внимание беше отделено на техниката на машинно обучение, известна като „дълбоко учене“, при която компютрите са способни да различават модели в данните, без да са специално програмирани за това. През последните години тази техника се прилага в редица приложения, които включват разпознаване на глас и лице за социални медийни платформи като Facebook.
Въпреки това, астрономите също се възползват от задълбоченото учене, което им помага да анализират изображения на галактики и да разберат как те се формират и развиват. В ново проучване екип от международни изследователи използва алгоритъм за задълбочено обучение, за да анализира изображения на галактики от Космически телескоп Хъбъл, Този метод се оказа ефективен при класифицирането на тези галактики въз основа на какъв етап са били в тяхната еволюция.
Изследването, озаглавено „Дълбокото учене идентифицира високо-z галактики в централна фаза на синьо самородно в характерен масов диапазон“, наскоро се появи онлайн и беше прието за публикуване в Astrophysical Journal. Изследването е ръководено от Марк Хуертес-компания от университета Париж Дидро и включва членове от Калифорнийския университет Санта Крус (UCSC), Хеврейския университет, Научния институт за космически телескопи, Университета на Пенсилвания Филаделфия, MINES ParisTech и Шанхайския нормален университет (SNHU).
В миналото Marc Huertas-Company вече е прилагал методи за дълбоко обучение Хъбъл данни за класификацията на галактиките. В сътрудничество с Дейвид Коо и Джоел Примак, двамата са професор emeritus 'в UC Santa Cruz (и с подкрепа от Google), Huertas-Company и екипът прекараха последните две лета в разработването на невронна мрежа, която може да идентифицира галактики на различни етапи в тяхната еволюция.
„Този проект беше само една от няколкото идеи, които имахме“, каза Коо в неотдавнашно прессъобщение на USCS. „Искахме да изберем процес, който теоретиците могат да дефинират ясно въз основа на симулациите и това има нещо общо с това как изглежда дадена галактика, а след това алгоритъмът за задълбочено обучение да я потърси в наблюденията. Тепърва започваме да изследваме този нов начин на изследване. Това е нов начин за смесване на теорията и наблюденията. "
За целите на своето проучване изследователите използваха компютърни симулации, за да генерират макетни изображения на галактики, както биха изглеждали в наблюдения на Космически телескоп Хъбъл, Макетните изображения бяха използвани за обучение на невронната мрежа за дълбоко учене, за да разпознае три ключови фази на еволюцията на галактиката, които преди това бяха идентифицирани при симулациите. След това изследователите използваха мрежата за анализ на голям набор от действителни изображения на Хъбъл.
Както при предишните изображения, анализирани от Huertas-Company, тези изображения са част от проекта за космическо сглобяване на Хъбъл, близо до инфрачервено дълбоко екстрагалактично наследство (CANDELS) - най-големият проект в историята на Космически телескоп Хъбъл, Те откриха, че класификациите на симулираните и реалните галактики на невронната мрежа са били изключително последователни. Както обясни Джоел Примак:
„Не очаквахме всичко да е толкова успешно. Удивен съм колко е мощен това. Знаем, че симулациите имат ограничения, така че не искаме да отправяме твърде силно искане. Но ние не смятаме, че това е просто късметлийка. "
Изследователският екип се интересуваше особено от галактики, които имат малък, плътен звездообразуващ регион, известен като „синя саморка“. Тези региони се появяват в началото на еволюцията на богатите на газ галактики, когато големи потоци газ в центъра на галактика причиняват образуването на млади звезди, които излъчват синя светлина. За да симулира тези и други видове галактики, екипът разчита на най-съвременните VELA симулации, разработени от Primack и международен екип от сътрудници.
Както в симулираните, така и в данните от наблюденията, компютърната програма установи, че фазата на „синьото самородно“ се среща само в галактики с маси в определен диапазон. Това е последвано от звездно образуване, завършващо в централния регион, което води до компактната фаза на „червеното самородно“, където звездите в централния регион излизат от основната си фаза на последователност и се превръщат в червени гиганти.
Съгласуваността на масовия диапазон беше вълнуваща, защото показваше, че невронната мрежа идентифицира модел, който се получава в резултат на ключов физически процес в реални галактики - и без да е необходимо да се казва конкретно за това. Както Коо посочи, това проучване е голяма крачка напред за астрономията и ИИ, но все още трябва да се направят много изследвания:
„Симулациите на VELA имаха голям успех по отношение на това да ни помогне да разберем наблюденията на CANDELS. Никой обаче няма перфектни симулации. Докато продължаваме тази работа, ще продължим да разработваме по-добри симулации. “
Например, симулациите на екипа не включват ролята, играна от Активна галактическа ядра (AGN). В по-големите галактики газът и прахът се натрупват върху централната Супермасивна черна дупка (SMBH) в сърцевината, което причинява изхвърляне на газ и радиация в огромни струи. Някои скорошни проучвания показват как това може да има възпиращ ефект върху образуването на звезди в галактиките.
Въпреки това, наблюдения на далечни, по-млади галактики показаха доказателство за явлението, наблюдавано в симулациите на екипа, където ядрата, богата на газ, води до фазата на синьото самородно. Според Коо, използването на задълбочено обучение за изучаване на галактическата еволюция има потенциал да разкрие по-рано неоткрити аспекти на данните от наблюденията. Вместо да наблюдават галактиките като моментни снимки във времето, астрономите ще могат да симулират как те се развиват през милиарди години.
„Дълбокото обучение търси модели и машината може да вижда модели, които са толкова сложни, че ние хората не ги виждаме“, каза той. "Искаме да направим много повече тестове на този подход, но в това проучване за доказателство на концепцията машината изглежда успешно открива в данните различните етапи на еволюцията на галактиката, идентифицирани при симулациите."
В бъдеще астрономите ще имат повече данни за наблюдение, които да анализират благодарение на разполагането на телескопи от ново поколение като тези Голям телескоп за синоптични изследвания (LSST), Космически телескоп Джеймс Уеб (JWST) и Телескоп за широколентово инфрачервено проучване (WFIRST). Тези телескопи ще осигурят още по-масивни набори от данни, които след това могат да бъдат анализирани чрез методи за машинно обучение, за да се определи какви модели съществуват.
Астрономия и изкуствен интелект, работещи заедно за по-доброто разбиране на Вселената. Чудя се дали да не си поставим задачата да намерим и Теория на всичко (ToE)!
