Er is veel aandacht besteed aan de machine learning-techniek die bekend staat als 'deep learning', waarbij computers in staat zijn patronen in gegevens te onderscheiden zonder daarvoor specifiek geprogrammeerd te zijn. Deze techniek is de afgelopen jaren toegepast op een aantal applicaties, waaronder spraak- en gezichtsherkenning voor social media platforms zoals Facebook.
Astronomen profiteren echter ook van diepgaand leren, wat hen helpt om afbeeldingen van sterrenstelsels te analyseren en te begrijpen hoe ze zich vormen en evolueren. In een nieuwe studie gebruikte een team van internationale onderzoekers een diepgaand leeralgoritme om afbeeldingen van sterrenstelsels van de Hubble-ruimtetelescoop. Deze methode bleek effectief in het classificeren van deze sterrenstelsels op basis van het stadium waarin ze zich in hun evolutie bevonden.
De studie, getiteld "Deep Learning Identify High-z Galaxies in a Central Blue Nugget Phase in a Characteristic Mass Range", verscheen onlangs online en is geaccepteerd voor publicatie in de Astrophysical Journal. De studie werd geleid door Marc Huertes-Company van de University Paris Diderot en omvatte leden van de University of California Santa Cruz (UCSC), de Hebrew University, het Space Telescope Science Institute, de University of Pennsylvania Philadelphia, MINES ParisTech en Shanghai Normal University (SNHU).
In het verleden heeft Marc Huertas-Company al diepgaande leermethoden toegepast op Hubble gegevens omwille van de classificatie van sterrenstelsels. In samenwerking met David Koo en Joel Primack, die beiden emeritus hoogleraar zijn aan UC Santa Cruz (en met steun van Google), brachten Huertas-Company en het team de afgelopen twee zomers door met het ontwikkelen van een neuraal netwerk dat sterrenstelsels in verschillende stadia zou kunnen identificeren in hun evolutie.
'Dit project was slechts een van de vele ideeën die we hadden', zei Koo in een recent USCS-persbericht. “We wilden een proces kiezen dat theoretici duidelijk kunnen definiëren op basis van de simulaties, en dat heeft iets te maken met hoe een sterrenstelsel eruitziet, en laat het deep learning-algoritme ernaar zoeken in de waarnemingen. We beginnen net met het verkennen van deze nieuwe manier van onderzoek doen. Het is een nieuwe manier om theorie en observaties te combineren. "
Omwille van hun studie gebruikten de onderzoekers computersimulaties om nepbeelden van sterrenstelsels te genereren zoals ze zouden kijken in observaties van de Hubble-ruimtetelescoop. De nepbeelden werden gebruikt om het deep learning neurale netwerk te trainen om drie belangrijke fasen van de evolutie van sterrenstelsels te herkennen die eerder in de simulaties waren geïdentificeerd. De onderzoekers gebruikten het netwerk vervolgens om een groot aantal actuele Hubble-afbeeldingen te analyseren.
Net als bij eerdere afbeeldingen geanalyseerd door Huertas-Company, maken deze afbeeldingen deel uit van Hubble's Cosmic Assembly Near-infrarood Deep Extragalactic Legacy Survey (CANDELS) -project - het grootste project in de geschiedenis van de Hubble-ruimtetelescoop. Wat ze ontdekten was dat de classificaties van gesimuleerde en echte sterrenstelsels in het neurale netwerk opmerkelijk consistent waren. Zoals Joel Primack uitlegde:
“We hadden niet verwacht dat het allemaal zo succesvol zou zijn. Ik ben verbaasd over hoe krachtig dit is. We weten dat de simulaties beperkingen hebben, dus we willen geen al te sterke claim indienen. Maar we denken niet dat dit gewoon een geluksvogel is. "
Het onderzoeksteam was vooral geïnteresseerd in sterrenstelsels met een klein, dicht stervormingsgebied dat bekend staat als een 'blauwe nugget'. Deze gebieden komen vroeg in de evolutie van gasrijke sterrenstelsels voor, wanneer grote gasstromen naar het centrum van een sterrenstelsel de vorming van jonge sterren veroorzaken die blauw licht uitstralen. Om deze en andere soorten sterrenstelsels te simuleren, vertrouwde het team op state-of-the-art VELA-simulaties ontwikkeld door Primack en een internationaal team van medewerkers.
In zowel de gesimuleerde als de observationele gegevens ontdekte het computerprogramma dat de "blauwe nugget" -fase alleen voorkomt in sterrenstelsels met massa's binnen een bepaald bereik. Dit werd gevolgd door stervorming die eindigde in het centrale gebied, wat leidde tot de compacte "rode goudklomp" -fase, waar de sterren in het centrale gebied hun hoofdreeksfase verlaten en rode reuzen worden.
De consistentie van het massabereik was opwindend omdat het aangaf dat het neurale netwerk een patroon identificeerde dat het resultaat is van een belangrijk fysisch proces in echte sterrenstelsels - en zonder dat dit specifiek hoeft te worden gezegd. Zoals Koo aangaf, is deze studie een grote stap voorwaarts voor astronomie en AI, maar er moet nog veel onderzoek worden gedaan:
“De VELA-simulaties hebben veel succes gehad wat betreft het helpen begrijpen van de CANDELS-waarnemingen. Niemand heeft echter perfecte simulaties. Terwijl we dit werk voortzetten, zullen we betere simulaties blijven ontwikkelen. ”
De simulaties van het team omvatten bijvoorbeeld niet de rol van Active Galactic Nuclei (AGN). In grotere sterrenstelsels worden gas en stof geaccumuleerd op een centraal superzwaar zwart gat (SMBH) in de kern, waardoor gas en straling in enorme stralen worden uitgestoten. Enkele recente studies hebben aangetoond hoe dit een arresterend effect kan hebben op de stervorming in sterrenstelsels.
Waarnemingen van verre, jongere sterrenstelsels hebben echter het fenomeen aangetoond dat is waargenomen in de simulaties van het team, waarbij gasrijke kernen naar de blue nugget-fase leiden. Volgens Koo heeft het gebruik van diep leren om galactische evolutie te bestuderen het potentieel om voorheen niet-gedetecteerde aspecten van observationele gegevens te onthullen. In plaats van sterrenstelsels als momentopnames te observeren, kunnen astronomen simuleren hoe ze evolueren over miljarden jaren.
"Diep leren zoekt naar patronen en de machine kan patronen zien die zo complex zijn dat wij mensen ze niet zien", zei hij. "We willen deze aanpak nog veel meer testen, maar in deze proof-of-concept-studie leek de machine met succes de verschillende stadia van de evolutie van sterrenstelsels die in de simulaties werden geïdentificeerd, te vinden."
In de toekomst zullen astronomen meer observatiegegevens kunnen analyseren dankzij de inzet van telescopen van de volgende generatie, zoals de Grote synoptische surveytelescoop (LSST), de James Webb Space Telescope (JWST), en de Wide-Field Infrared Survey Telescope (EERST). Deze telescopen zullen nog grotere gegevenssets opleveren, die vervolgens kunnen worden geanalyseerd door machine learning-methoden om te bepalen welke patronen er zijn.
Astronomie en kunstmatige intelligentie, samenwerken om ons begrip van het heelal te verbeteren. Ik vraag me af of we het ook zouden moeten doen om een Theory of Everything (ToE) te vinden!
