Veliko pozornosti je bilo namenjenega tehniki strojnega učenja, imenovanem "globoko učenje", kjer so računalniki sposobni zaznati vzorce podatkov, ne da bi bili za to posebej programirani. V zadnjih letih je bila ta tehnika uporabljena pri številnih aplikacijah, ki vključujejo prepoznavanje glasu in obraza na platformah družbenih medijev, kot je Facebook.
Vendar pa astronomi koristijo tudi globokemu učenju, kar jim pomaga analizirati slike galaksij in razumeti, kako se oblikujejo in razvijajo. V novi raziskavi je skupina mednarodnih raziskovalcev uporabila algoritem globokega učenja za analizo slik galaksij iz Hubble vesoljski teleskop. Ta metoda se je izkazala za učinkovito pri razvrščanju teh galaksij glede na stopnjo njihovega razvoja.
Študija z naslovom "Globoko učenje prepoznava visoko-z galaksije v osrednji fazi modrega samca v značilnem masnem območju" se je nedavno pojavila na spletu in je bila sprejeta za objavo v Astrofizični vestnik. Študijo je vodil Marc Huertes-Company z univerze Paris Diderot in vključevala člane kalifornijske univerze Santa Cruz (UCSC), hebrejske univerze, znanstvenega inštituta za vesoljski teleskop, univerze Pennsylvania Philadelphia, MINES ParisTech in šangajske normalne univerze (SNHU).
Podjetje Marc Huertas-Company je v preteklosti že uporabljalo metode globokega učenja Hubble podatki zaradi klasifikacije galaksij. Huertas-Company in ekipa sta v sodelovanju z Davidom Koo in Joelom Primackom, oba profesorja emeritus 'v UC Santa Cruz (in s podporo Googla), zadnja dva poletja razvila nevronsko mrežo, ki bi lahko prepoznala galaksije na različnih stopnjah v svoji evoluciji.
"Ta projekt je bil le ena izmed več idej, ki smo jih imeli," je dejal Koo v nedavnem sporočilu za javnost USCS. „Želeli smo izbrati postopek, ki ga teoretiki lahko jasno opredelijo na podlagi simulacij in ima nekaj skupnega s tem, kako izgleda galaksija, nato pa naj algoritem za globoko učenje poišče v opazovanjih. Ta novi način raziskovanja šele začnemo raziskovati. To je nov način spajanja teorije in opazovanj. "
Za potrebe svoje študije so raziskovalci uporabili računalniške simulacije za ustvarjanje posmehljivih posnetkov galaksij, kot bi jih videli v opažanjih Hubble vesoljski teleskop. Podobe posnetkov so bile uporabljene za usposabljanje nevronske mreže globokega učenja za prepoznavanje treh ključnih faz evolucije galaksije, ki so bile predhodno identificirane v simulacijah. Nato so raziskovalci uporabili mrežo za analizo velikega niza dejanskih Hubblovih slik.
Tako kot prejšnje slike, ki jih je analizirala družba Huertas-Company, so tudi te slike del Hubbleovega kozmičnega sestavljanja skoraj infrardečega globinskega ekstragalaktičnega preiskovanja (CANDELS) - največjega projekta v zgodovini Hubble vesoljski teleskop. Ugotovili so, da so bile klasifikacije nevronske mreže simuliranih in resničnih galaksij izjemno skladne. Kot je pojasnil Joel Primack:
„Nismo pričakovali, da bo vse tako uspešno. Presenečena sem nad tem, kako močna je to. Vemo, da imajo simulacije omejitve, zato ne želimo preveč trditi. Vendar ne mislimo, da je to samo srečna napaka. "
Raziskovalno skupino so še posebej zanimale galaksije, ki imajo majhno, gosto območje, ki tvori zvezde, znano kot "modri samček". Ta območja se pojavijo že zgodaj v razvoju galaksij, bogatih s plinom, ko veliki pretoki plina v središče galaksije povzročijo nastanek mladih zvezd, ki oddajajo modro svetlobo. Za simulacijo teh in drugih vrst galaksij se je ekipa opirala na najsodobnejše simulacije VELA, ki sta jih razvila Primack in mednarodna skupina sodelavcev.
V simuliranih in opazovalnih podatkih je računalniški program ugotovil, da se faza "modrega samca" pojavlja le v galaksijah z masami v določenem območju. Sledilo je nastajanje zvezd, ki se je končalo v osrednjem območju, kar vodi v kompaktno fazo "rdečega samca", kjer zvezde v osrednji regiji zapustijo svojo glavno fazo zaporedja in postanejo rdeči velikani.
Doslednost množičnega obsega je bila vznemirljiva, saj je kazala, da nevronska mreža identificira vzorec, ki izhaja iz ključnega fizičnega procesa v resničnih galaksijah - in ne da bi bilo treba to posebej povedati. Kot je navedel Koo, je ta študija velik korak naprej za astronomijo in AI, vendar je treba še veliko raziskav:
„Simulacije VELA so imele velik uspeh, saj smo pomagale razumeti opažanja CANDELS. Vendar nihče nima popolnih simulacij. Ko bomo nadaljevali s tem delom, bomo še naprej razvijali boljše simulacije. "
Na primer, simulacije ekipe niso vključevale vloge, ki jo je odigral Active Galactic Nuclei (AGN). V večjih galaksijah sta plin in prah v središču supermasivne črne luknje (SMBH) v središču, zaradi česar se plin in sevanje izlivata v ogromnih curkih. Nekatere nedavne študije kažejo, kako ima lahko ta zaviralni učinek na nastanek zvezd v galaksijah.
Vendar so opažanja oddaljenih, mlajših galaksij pokazala dokaze o pojavu, ki so ga opazili v simulacijah ekipe, kjer jedra bogata s plinom vodijo v fazo modrega samca. Po Koo mnenju ima uporaba globokega učenja za preučevanje galaktične evolucije potencialno razkriti predhodno neodkrite vidike opazovalnih podatkov. Namesto da bi galaksije opazovali kot posnetke v času, bodo astronomi lahko simulirali, kako se razvijajo v milijardah let.
"Globoko učenje išče vzorce in stroj lahko vidi vzorce, ki so tako zapleteni, da jih ljudje ne vidimo", je dejal. "Želimo narediti veliko več preizkušanja tega pristopa, vendar se zdi, da je stroj v tej študiji zanesljive zasnove v podatkih uspešno našel različne faze razvoja galaksije, ki so bile prepoznane v simulacijah."
V prihodnosti bodo astronomi imeli več podatkov o opazovanju, ki jih bodo lahko analizirali zahvaljujoč uvajanju teleskopov naslednje generacije, kot so Teleskop velikega sinoptičnega raziskovanja (LSST), James Webb vesoljski teleskop (JWST) in Teleskop za široko polje (WFIRST). Ti teleskopi bodo zagotovili še bolj množične naloge podatkov, ki jih je mogoče nato analizirati s pomočjo metod strojnega učenja, da bi ugotovili, kakšni vzorci obstajajo.
Astronomija in umetna inteligenca, ki sodelujeta pri boljšem razumevanju vesolja. Zanima me, ali bi si morali postaviti nalogo, da najdemo tudi Teorijo vsega (ToE)!
