27 millioner galaksemorfologier kvantificeret og katalogiseret ved hjælp af maskinlæring

Forskning fra Penns Institut for Fysik og Astronomi har produceret det hidtil største katalog over galaksemorfologiske klassifikationer. Ledet af tidligere postdocs Jesús Vega-Ferrero og Helena Domínguez Sánchez, som arbejdede med professor Mariangela Bernardi, dette katalog med 27 millioner galaksemorfologier giver nøgleindsigt i universets udvikling. Undersøgelsen blev offentliggjort i Månedlige meddelelser fra Royal Astronomical Society .

Forskerne brugte data fra Dark Energy Survey (DES), et internationalt forskningsprogram, hvis mål er at afbilde en ottendedel af himlen for bedre at forstå mørk energis rolle i den accelererende udvidelse af universet.

Et biprodukt af denne undersøgelse er, at DES-dataene indeholder mange flere billeder af fjerne galakser end andre undersøgelser til dato. "DES-billederne viser os, hvordan galakser så ud for mere end 6 milliarder år siden, " siger Bernardi.

Og fordi DES har millioner af højkvalitetsbilleder af astronomiske objekter, det er det perfekte datasæt til at studere galaksemorfologi. "Galaksemorfologi er et af nøgleaspekterne af galakseudviklingen. Galaksernes form og struktur har en masse information om den måde, de blev dannet på, og at kende deres morfologier giver os fingerpeg om de sandsynlige veje for dannelsen af ​​galakserne, " siger Domínguez Sánchez.

Tidligere, forskerne havde udgivet et morfologisk katalog for mere end 600, 000 galakser fra Sloan Digital Sky Survey (SDSS). At gøre dette, de udviklede et konvolutionelt neuralt netværk, en type maskinlæringsalgoritme, der automatisk var i stand til at kategorisere, om en galakse tilhørte en af ​​to hovedgrupper:spiralgalakser, som har en roterende skive, hvor nye stjerner fødes, og elliptiske galakser, som er større, og lavet af ældre stjerner, som bevæger sig mere tilfældigt end deres modstykker i spiralform.

Men kataloget udviklet ved hjælp af SDSS-datasættet var primært lavet af lyse, nærliggende galakser, siger Vega-Ferrero. I deres seneste undersøgelse, forskerne ønskede at forfine deres neurale netværksmodel for at kunne klassificere svagere, fjernere galakser. "Vi ønskede at skubbe grænserne for morfologisk klassificering og forsøge at gå ud over, til svagere genstande eller genstande, der er længere væk, " siger Vega-Ferrero.

At gøre dette, forskerne skulle først træne deres neurale netværksmodel for at kunne klassificere de mere pixelerede billeder fra DES-datasættet. De skabte først en træningsmodel med tidligere kendte morfologiske klassifikationer, består af et sæt af 20, 000 galakser, der overlappede mellem DES og SDSS. Derefter, de skabte simulerede versioner af nye galakser, efterligne, hvordan billederne ville se ud, hvis de var længere væk ved hjælp af kode udviklet af stabsforskeren Mike Jarvis.

Da modellen først blev trænet og valideret på både simulerede og rigtige galakser, det blev anvendt på DES-datasættet, og det resulterende katalog over 27 millioner galakser indeholder oplysninger om sandsynligheden for, at en individuel galakse er elliptisk eller spiralformet. Forskerne fandt også ud af, at deres neurale netværk var 97 % nøjagtige til at klassificere galaksemorfologi, selv for galakser, der var for svage til at klassificere med øjet.

"Vi skubbede grænserne med tre størrelsesordener, til objekter, der er 1, 000 gange svagere end de originale, " siger Vega-Ferrero. "Det er derfor, vi var i stand til at inkludere så mange flere galakser i kataloget."

"Kataloger som dette er vigtige for at studere galaksedannelse, Bernardi siger om betydningen af ​​denne seneste publikation. "Dette katalog vil også være nyttigt for at se, om morfologien og stjernepopulationerne fortæller lignende historier om, hvordan galakser blev dannet."

Til sidstnævnte punkt, Domínguez Sánchez kombinerer i øjeblikket deres morfologiske estimater med mål for den kemiske sammensætning, alder, stjernedannelseshastighed, masse, og afstanden til de samme galakser. Inkorporering af denne information vil give forskerne mulighed for bedre at studere forholdet mellem galaksemorfologi og stjernedannelse, arbejde, der vil være afgørende for en dybere forståelse af galakseudviklingen.

Bernardi siger, at der er en række åbne spørgsmål om galakseudvikling, som både dette nye katalog, og metoderne udviklet til at skabe det, kan hjælpe med at adressere. Den kommende LSST/Rubin-undersøgelse, for eksempel, vil bruge lignende fotometrimetoder som DES, men vil have mulighed for at afbilde endnu fjernere objekter, giver mulighed for at få endnu dybere forståelse af universets udvikling.