Deep-CEE:AI-dybdelæringsværktøjet, der hjælper astronomer med at udforske det dybe rum

Galaksehobe er nogle af de mest massive strukturer i kosmos, men på trods af at de er millioner af lysår på tværs, de kan stadig være svære at få øje på. Forskere ved Lancaster University har henvendt sig til kunstig intelligens for at få hjælp, udvikling af "Deep-CEE" (Deep Learning for Galaxy Cluster Extraction and Evaluation), en ny dyb læringsteknik til at fremskynde processen med at finde dem. Matthew Chan, en ph.d. studerende ved Lancaster University, præsenterer dette arbejde på Royal Astronomical Society's National Astronomy-møde den 4. juli kl. 15.45 i Machine Learning in Astrophysics-sessionen.

De fleste galakser i universet lever i lavdensitetsmiljøer kendt som "feltet", eller i små grupper, som den, der indeholder vores Mælkevej og Andromeda. Galaksehobe er sjældnere, men de repræsenterer de mest ekstreme miljøer, som galakser kan leve i, og at studere dem kan hjælpe os til bedre at forstå mørkt stof og mørk energi.

I 1950'erne var pioneren inden for at finde galaksehobe, astronom George Abell, brugt mange år på at søge efter galaksehobe med øjet, ved hjælp af en forstørrelseslinse og fotografiske plader til at lokalisere dem. Abell analyserede manuelt omkring 2, 000 fotografiske plader, leder efter visuelle signaturer af galaksehobe, og detaljering af de astronomiske koordinater for de tætte områder af galakser. Hans arbejde resulterede i 'Abell-kataloget' over galaksehobe fundet på den nordlige halvkugle.

Deep-CEE bygger på Abells tilgang til at identificere galaksehobe, men erstatter astronomen med en AI-model, der er blevet trænet til at "se" på farvebilleder og identificere galaksehobe. Det er en state-of-the-art model baseret på neurale netværk, som er designet til at efterligne den måde, en menneskelig hjerne lærer at genkende objekter ved at aktivere specifikke neuroner, når de visualiserer karakteristiske mønstre og farver.

Chan trænede AI ved gentagne gange at vise den eksempler på kendte, mærket, objekter i billeder, indtil algoritmen er i stand til at lære at associere objekter på egen hånd. Derefter kørte en pilotundersøgelse for at teste algoritmens evne til at identificere og klassificere galaksehobe i billeder, der indeholder mange andre astronomiske objekter.

"Vi har med succes anvendt Deep-CEE på Sloan Digital Sky Survey" siger Chan, "ultimativt, vi vil køre vores model på revolutionære undersøgelser såsom Large Synoptic Survey-teleskopet (LSST), der vil sondere bredere og dybere ind i områder af universet, som aldrig tidligere er blevet udforsket.

Nye state-of-the-art teleskoper har gjort det muligt for astronomer at observere bredere og dybere end nogensinde før, såsom at studere universets struktur i stor skala og kortlægge dets enorme uopdagede indhold.

Ved at automatisere opdagelsesprocessen, videnskabsmænd kan hurtigt scanne sæt billeder, og returnere præcise forudsigelser med minimal menneskelig interaktion. Dette vil være afgørende for at analysere data i fremtiden. Den kommende LSST himmelundersøgelse (som kommer online i 2021) vil afbilde himlen på hele den sydlige halvkugle, genererer anslået 15 TB data hver nat.

"Dataminingteknikker såsom dyb læring vil hjælpe os med at analysere de enorme output fra moderne teleskoper" siger Dr. John Stott (Chans Ph.D.-vejleder). "Vi forventer, at vores metode vil finde tusindvis af klynger, videnskaben aldrig har set før."

Chan vil præsentere resultaterne af sit papir "Fiske efter galaksehobe med "Deep-CEE" neurale net" den 4. juli kl. 15.45 i sessionen 'Machine Learning in Astrophysics'. (Chan og Stott 2019), som er blevet indsendt til MNRAS og kan findes på Arxiv .