Ansigtsgenkendelse for galakser:Kunstig intelligens bringer nye værktøjer til astronomi

En maskinlæringsmetode kaldet "deep learning, "som har været meget brugt i ansigtsgenkendelse og andre billed- og talegenkendelsesapplikationer, har vist lovende at hjælpe astronomer med at analysere billeder af galakser og forstå, hvordan de dannes og udvikler sig.

I en ny undersøgelse, accepteret til offentliggørelse i Astrofysisk Journal og tilgængelig online, forskere brugte computersimuleringer af galaksedannelse til at træne en algoritme til dyb læring, som så viste sig overraskende god til at analysere billeder af galakser fra Hubble-rumteleskopet.

Forskerne brugte output fra simuleringerne til at generere falske billeder af simulerede galakser, som de ville se ud i observationer fra Hubble-rumteleskopet. De falske billeder blev brugt til at træne det dybe læringssystem til at genkende tre nøglefaser af galakseudviklingen, som tidligere er identificeret i simuleringerne. Forskerne gav derefter systemet et stort sæt faktiske Hubble-billeder til at klassificere.

Resultaterne viste et bemærkelsesværdigt niveau af sammenhæng i det neurale netværks klassifikationer af simulerede og virkelige galakser.

"Vi havde ikke forventet, at det ville blive så vellykket. Jeg er overrasket over, hvor kraftfuldt dette er, " sagde medforfatter Joel Primack, professor emeritus i fysik og medlem af Santa Cruz Institute for Particle Physics (SCIPP) ved UC Santa Cruz. "Vi ved, at simuleringerne har begrænsninger, så vi ønsker ikke at fremsætte for stærke krav. Men vi tror ikke, at dette kun er et heldigt lykketræf."

Galakser er komplekse fænomener, ændrer deres udseende, efterhånden som de udvikler sig over milliarder af år, og billeder af galakser kan kun give øjebliksbilleder i tide. Astronomer kan se dybere ind i universet og derved "tilbage i tiden" for at se tidligere galakser (på grund af den tid, det tager lys at rejse kosmiske afstande), men at følge udviklingen af ​​en individuel galakse over tid er kun muligt i simuleringer. Sammenligning af simulerede galakser med observerede galakser kan afsløre vigtige detaljer om de faktiske galakser og deres sandsynlige historie.

I den nye undersøgelse, forskerne var særligt interesserede i et fænomen, der blev set i simuleringerne tidligt i udviklingen af ​​gasrige galakser, når store strømme af gas ind i midten af ​​en galakse brændstofdannelse af en lille, tæt, stjernedannende område kaldet en "blå guldklump". (Ung, varme stjerner udsender korte "blå" bølgelængder af lys, så blå indikerer en galakse med aktiv stjernedannelse, hvorimod ældre, køligere stjerner udsender mere "rødt" lys.)

I både simulerede og observationsdata, computerprogrammet fandt, at den "blå guldklump"-fase kun forekommer i galakser med masser inden for et bestemt område. Dette efterfølges af quenching af stjernedannelse i den centrale region, fører til en kompakt "rød guldklump" fase. Masseområdets konsistens var et spændende fund, fordi det antyder, at den dybe læringsalgoritme på egen hånd identificerer et mønster, der er resultatet af en vigtig fysisk proces, der sker i rigtige galakser.

"Det kan være, at i et bestemt størrelsesinterval, galakser har den helt rigtige masse til at denne fysiske proces kan finde sted, " sagde medforfatter David Koo, professor emeritus i astronomi og astrofysik ved UC Santa Cruz.

Forskerne brugte state-of-the-art galaksesimuleringer (VELA-simuleringerne) udviklet af Primack og et internationalt team af samarbejdspartnere, herunder Daniel Ceverino (Universitetet i Heidelberg), hvem kørte simuleringerne, og Avishai Dekel (hebraisk universitet), der ledede analyse og fortolkning af dem og udviklede nye fysiske koncepter baseret på dem. Alle sådanne simuleringer er begrænsede, imidlertid, i deres evne til at fange galaksedannelsens komplekse fysik.

I særdeleshed, simuleringerne brugt i denne undersøgelse inkluderede ikke feedback fra aktive galaktiske kerner (injektion af energi fra stråling, da gas ophobes af et centralt supermassivt sort hul). Mange astronomer anser denne proces for at være en vigtig faktor, der regulerer stjernedannelse i galakser. Alligevel, observationer af fjerne, unge galakser ser ud til at vise tegn på det fænomen, der fører til den blå nugget-fase, der ses i simuleringerne.

For observationsdata, holdet brugte billeder af galakser opnået gennem CANDELS-projektet (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey), det største projekt i Hubble-rumteleskopets historie. Første forfatter Marc Huertas-Company, en astronom ved Paris Observatory og Paris Diderot University, havde allerede udført banebrydende arbejde med at anvende deep learning-metoder til galakseklassifikationer ved hjælp af offentligt tilgængelige CANDELS-data.

Koo, en CANDELS medforsker, inviterede Huertas-Company til at besøge UC Santa Cruz for at fortsætte dette arbejde. Google har ydet støtte til deres arbejde med dyb læring i astronomi gennem gaver af forskningsmidler til Koo og Primack, giver Huertas-Company mulighed for at tilbringe de sidste to somre i Santa Cruz, med planer om endnu et besøg i sommeren 2018.

"Dette projekt var bare en af ​​flere ideer, vi havde, " sagde Koo. "Vi ønskede at vælge en proces, som teoretikere kan definere klart baseret på simuleringerne, og det har noget at gøre med hvordan en galakse ser ud, lad derefter deep learning-algoritmen lede efter det i observationerne. Vi er lige begyndt at udforske denne nye måde at lave forskning på. Det er en ny måde at forene teori og observationer på."

Årevis, Primack har arbejdet tæt sammen med Koo og andre astronomer ved UC Santa Cruz for at sammenligne sit holds simuleringer af galaksedannelse og -evolution med CANDELS-observationerne. "VELA-simuleringerne har haft stor succes med hensyn til at hjælpe os med at forstå CANDELS-observationerne, " sagde Primack. "Ingen har perfekte simuleringer, selvom. Mens vi fortsætter dette arbejde, vi vil blive ved med at udvikle bedre simuleringer."

Ifølge Koo, dyb læring har potentiale til at afsløre aspekter af de observationsdata, som mennesker ikke kan se. Ulempen er, at algoritmen er som en "sort boks, "så det er svært at vide, hvilke funktioner i de data, maskinen bruger til at lave sine klassifikationer. Netværksforhørsteknikker kan identificere, hvilke pixels i et billede, der bidrog mest til klassificeringen, imidlertid, og forskerne testede en sådan metode på deres netværk.

"Dyb læring leder efter mønstre, og maskinen kan se mønstre, der er så komplekse, at vi mennesker ikke ser dem, " sagde Koo. "Vi ønsker at teste meget mere af denne tilgang, men i denne proof-of-concept undersøgelse, maskinen så ud til med succes at finde de forskellige stadier af galakseudviklingen, der blev identificeret i simuleringerne."

I fremtiden, han sagde, astronomer vil have meget flere observationsdata at analysere som et resultat af store undersøgelsesprojekter og nye teleskoper såsom Large Synoptic Survey Telescope, James Webb rumteleskopet, og Wide-Field Infrared Survey Telescope. Deep learning og andre maskinlæringsmetoder kan være effektive værktøjer til at give mening i disse enorme datasæt.

"Dette er begyndelsen på en meget spændende tid for at bruge avanceret kunstig intelligens i astronomi, " sagde Koo.