Astronomer opdager sjældne neutrale atomare kulstofabsorbere med dybt neuralt netværk

For nylig gennemførte et internationalt hold ledet af prof. Ge Jian fra Shanghai Astronomical Observatory ved det kinesiske videnskabsakademi en søgning efter sjældne svage signaler i kvasarspektrale data udgivet af Sloan Digital Sky Survey III (SDSS-III)-programmet ved hjælp af dyb læring neurale netværk.

Ved at introducere en ny metode til at udforske galaksedannelse og -evolution viste holdet potentialet ved kunstig intelligens (AI) til at identificere sjældne svage signaler i astronomiske big data. Undersøgelsen blev offentliggjort i Monthly Notices of the Royal Astronomical Society .

"Neutral kulstofabsorbere" fra kold gas med støv i universet tjener som afgørende sonder til at studere galaksedannelse og evolution. Imidlertid er signalerne fra neutrale kulstofabsorptionslinjer svage og ekstremt sjældne.

Astronomer har kæmpet for at opdage disse absorbere i massive kvasarspektrale datasæt ved hjælp af konventionelle korrelationsmetoder. "Det er som at lede efter en nål i en høstak," sagde prof. Ge.

I 2015 blev 66 neutrale kulstofabsorbere opdaget i spektrene af titusindvis af kvasarer, som tidligere blev frigivet af SDSS, hvilket er det største antal opnåede prøver.

I denne undersøgelse designet og trænede Prof. Ges team dybe neurale netværk med et stort antal simulerede prøver af neutrale kulstofabsorptionslinjer baseret på faktiske observationer. Ved at anvende disse veltrænede neurale netværk til SDSS-III-dataene opdagede holdet 107 ekstremt sjældne neutrale kulstofabsorbere, hvilket fordoblede antallet af prøver, der blev opnået i 2015, og detekterede flere svage signaler end før.

Ved at stable spektrene af adskillige neutrale kulabsorbere forbedrede holdet betydeligt evnen til at detektere overfloden af ​​forskellige elementer og direkte målte metaltab i gas forårsaget af støv.

Resultaterne viste, at disse tidlige galakser, der indeholder neutrale carbonabsorberende sonder, har gennemgået hurtig fysisk og kemisk udvikling, da universet kun var omkring tre milliarder år gammelt (universets nuværende alder er 13,8 milliarder). Disse galakser var på vej ind i en udviklingstilstand mellem den store magellanske sky (LMC) og Mælkevejen (MW), og producerede en betydelig mængde metaller, hvoraf nogle bundede til støvpartikler, hvilket førte til den observerede effekt af rødme af støv.

Denne opdagelse bekræfter uafhængigt de seneste resultater fra James Webb Space Telescope (JWST), som opdagede diamantlignende kulstofstøv i de tidligste stjerner i universet, hvilket tyder på, at nogle galakser udvikler sig meget hurtigere end tidligere forventet, hvilket udfordrer eksisterende modeller for galaksedannelse og evolution.

I modsætning til JWST, der udfører forskning gennem galakseemissionsspektre, undersøger denne undersøgelse tidlige galakser ved at observere kvasarernes absorptionsspektre. Anvendelse af veltrænede neurale netværk til at finde neutrale kulstofabsorbere giver et nyt værktøj til fremtidig forskning i den tidlige udvikling af universet og galakserne, der komplementerer JWST's forskningsmetoder.

"Det er nødvendigt at udvikle innovative AI-algoritmer, der hurtigt, præcist og omfattende kan udforske sjældne og svage signaler i massive astronomiske data," sagde prof. Ge.

Holdet sigter mod at fremme metoden introduceret i denne undersøgelse til billedgenkendelse ved at udtrække flere relaterede strukturer for at skabe kunstige "multi-struktur" billeder til effektiv træning og detektering af svage billedsignaler.