Viel Aufmerksamkeit wurde der als „Deep Learning“ bezeichneten maschinellen Lerntechnik gewidmet, bei der Computer in der Lage sind, Muster in Daten zu erkennen, ohne speziell dafür programmiert zu sein. In den letzten Jahren wurde diese Technik auf eine Reihe von Anwendungen angewendet, darunter die Sprach- und Gesichtserkennung für Social-Media-Plattformen wie Facebook.
Astronomen profitieren jedoch auch von tiefem Lernen, das ihnen hilft, Bilder von Galaxien zu analysieren und zu verstehen, wie sie sich bilden und entwickeln. In einer neuen Studie verwendete ein Team internationaler Forscher einen Deep-Learning-Algorithmus, um Bilder von Galaxien aus dem zu analysieren Hubble-Weltraumteleskop. Diese Methode erwies sich als effektiv bei der Klassifizierung dieser Galaxien anhand ihres Entwicklungsstadiums.
Die Studie mit dem Titel „Deep Learning identifiziert High-z-Galaxien in einer zentralen blauen Nugget-Phase in einem charakteristischen Massenbereich“ wurde kürzlich online veröffentlicht und zur Veröffentlichung in der Astrophysikalisches Journal. Die Studie wurde von Marc Huertes-Company von der University Paris Diderot geleitet und umfasste Mitglieder der University of California Santa Cruz (UCSC), der Hebrew University, des Space Telescope Science Institute, der University of Pennsylvania Philadelphia, der MINES ParisTech und der Shanghai Normal University (SNHU).
Marc Huertas-Company hat in der Vergangenheit bereits Deep-Learning-Methoden angewendet Hubble Daten für die Klassifizierung der Galaxien. In Zusammenarbeit mit David Koo und Joel Primack, beide emeritierter Professor an der UC Santa Cruz (und mit Unterstützung von Google), haben Huertas-Company und das Team in den vergangenen zwei Sommern ein neuronales Netzwerk entwickelt, mit dem Galaxien in verschiedenen Stadien identifiziert werden können in ihrer Entwicklung.
"Dieses Projekt war nur eine von mehreren Ideen, die wir hatten", sagte Koo kürzlich in einer USCS-Pressemitteilung. „Wir wollten einen Prozess auswählen, den Theoretiker anhand der Simulationen klar definieren können und der etwas damit zu tun hat, wie eine Galaxie aussieht, und dann den Deep-Learning-Algorithmus in den Beobachtungen danach suchen lassen. Wir fangen gerade erst an, diese neue Art der Forschung zu erforschen. Es ist eine neue Art, Theorie und Beobachtungen zu verschmelzen. "
Für ihre Studie verwendeten die Forscher Computersimulationen, um Scheinbilder von Galaxien zu erzeugen, wie sie in Beobachtungen der Hubble-Weltraumteleskop. Die Scheinbilder wurden verwendet, um das neuronale Netzwerk des tiefen Lernens zu trainieren, um drei Schlüsselphasen der Galaxienentwicklung zu erkennen, die zuvor in den Simulationen identifiziert worden waren. Die Forscher nutzten das Netzwerk dann, um eine große Anzahl tatsächlicher Hubble-Bilder zu analysieren.
Wie bei früheren Bildern, die von Huertas-Company analysiert wurden, sind diese Bilder Teil des Hubble-Projekts CANDELS (Cosmic Assembly Near-Infrarot Deep Extragalactic Legacy Survey) - das größte Projekt in der Geschichte der Hubble-Weltraumteleskop. Sie fanden heraus, dass die Klassifikationen des neuronalen Netzwerks von simulierten und realen Galaxien bemerkenswert konsistent waren. Wie Joel Primack erklärte:
„Wir hatten nicht erwartet, dass es so erfolgreich sein würde. Ich bin erstaunt, wie mächtig das ist. Wir wissen, dass die Simulationen Einschränkungen aufweisen, daher möchten wir keinen zu starken Anspruch erheben. Aber wir glauben nicht, dass dies nur ein Glücksfall ist. "
Das Forschungsteam interessierte sich insbesondere für Galaxien mit einer kleinen, dichten, sternbildenden Region, die als „blaues Nugget“ bekannt ist. Diese Regionen treten früh in der Entwicklung gasreicher Galaxien auf, wenn große Gasströme in das Zentrum einer Galaxie die Bildung junger Sterne verursachen, die blaues Licht emittieren. Um diese und andere Arten von Galaxien zu simulieren, stützte sich das Team auf hochmoderne VELA-Simulationen, die von Primack und einem internationalen Team von Mitarbeitern entwickelt wurden.
Sowohl in den simulierten als auch in den Beobachtungsdaten stellte das Computerprogramm fest, dass die Phase des „blauen Nuggets“ nur in Galaxien mit Massen innerhalb eines bestimmten Bereichs auftritt. Darauf folgte die Sternentstehung, die im zentralen Bereich endete und zur kompakten „Red Nugget“ -Phase führte, in der die Sterne im zentralen Bereich ihre Hauptsequenzphase verlassen und zu roten Riesen werden.
Die Konsistenz des Massenbereichs war aufregend, da dies darauf hinwies, dass das neuronale Netzwerk ein Muster identifizierte, das sich aus einem wichtigen physikalischen Prozess in realen Galaxien ergibt - und ohne dass dies ausdrücklich vorgeschrieben werden musste. Wie Koo angedeutet hat, ist diese Studie ein großer Fortschritt für Astronomie und KI, aber es muss noch viel Forschung betrieben werden:
„Die VELA-Simulationen haben uns sehr geholfen, die Beobachtungen von CANDELS zu verstehen. Niemand hat jedoch perfekte Simulationen. Während wir diese Arbeit fortsetzen, werden wir weiterhin bessere Simulationen entwickeln. “
Zum Beispiel enthielten die Simulationen des Teams nicht die Rolle, die Active Galactic Nuclei (AGN) spielte. In größeren Galaxien sammeln sich Gas und Staub auf einem zentralen Supermassiven Schwarzen Loch (SMBH) im Kern an, wodurch Gas und Strahlung in riesigen Jets ausgestoßen werden. Einige neuere Studien haben gezeigt, wie sich dies auf die Sternentstehung in Galaxien auswirken kann.
Beobachtungen entfernter, jüngerer Galaxien haben jedoch Hinweise auf das in den Simulationen des Teams beobachtete Phänomen gezeigt, bei dem gasreiche Kerne zur Phase des blauen Nuggets führen. Laut Koo kann die Verwendung von Deep Learning zur Untersuchung der galaktischen Evolution bisher unentdeckte Aspekte von Beobachtungsdaten aufdecken. Anstatt Galaxien als Momentaufnahmen zu betrachten, können Astronomen simulieren, wie sie sich über Milliarden von Jahren entwickeln.
"Deep Learning sucht nach Mustern, und die Maschine kann Muster erkennen, die so komplex sind, dass wir Menschen sie nicht sehen", sagte er. "Wir möchten diesen Ansatz noch viel genauer testen, aber in dieser Proof-of-Concept-Studie schien die Maschine die verschiedenen in den Simulationen identifizierten Stadien der Galaxienentwicklung in den Daten erfolgreich zu finden."
In Zukunft werden Astronomen dank des Einsatzes von Teleskopen der nächsten Generation wie dem mehr Beobachtungsdaten analysieren können Großes synoptisches Vermessungsteleskop (LSST), die James Webb Weltraumteleskop (JWST) und die Weitfeld-Infrarot-Vermessungsteleskop (WFIRST). Diese Teleskope werden noch umfangreichere Datensätze bereitstellen, die dann durch maschinelles Lernen analysiert werden können, um festzustellen, welche Muster vorhanden sind.
Astronomie und künstliche Intelligenz arbeiten zusammen, um unser Verständnis des Universums zu verbessern. Ich frage mich, ob wir es uns zur Aufgabe machen sollten, auch eine Theorie von allem (ToE) zu finden!
