Hvad får sorte huller til at vokse og nye stjerner til at danne? Machine learning hjælper med at løse mysteriet

Menneskelig inspektion vs. maskinlæring

I årtier har teoretiske modeller antydet, at sorte huller vokser, når galakser smelter sammen. Imidlertid har astrofysikere, der studerer sammenhængen mellem galaksefusioner og sorthulsvækst gennem mange år, udfordret disse modeller med et simpelt spørgsmål:Hvordan identificerer vi pålideligt fusioner af galakser?

Visuel inspektion har været den mest anvendte metode. Menneskelige klassifikatorer – enten eksperter eller medlemmer af offentligheden – observerer galakser og identificerer høje asymmetrier eller lange tidevandshaler (tynde, aflange områder af stjerner og interstellar gas, der strækker sig ud i rummet), som begge er forbundet med galaksefusioner.

Denne observationsmetode er dog både tidskrævende og upålidelig, da det er let for mennesker at lave fejl i deres klassifikationer. Som følge heraf giver fusionsundersøgelser ofte modstridende resultater.

Til den nye Bath-ledede undersøgelse stillede forskerne sig selv udfordringen med at forbedre måden, fusioner klassificeres på, ved at studere sammenhængen mellem sorthulsvækst og galakseudvikling ved brug af kunstig intelligens.

Inspireret af den menneskelige hjerne

De trænede et neuralt netværk (en delmængde af maskinlæring inspireret af den menneskelige hjerne og efterligner den måde, biologiske neuroner signalerer til hinanden) på simulerede galaksefusioner, og anvendte derefter denne model på galakser observeret i kosmos.

Ved at gøre det var de i stand til at identificere fusioner uden menneskelige skævheder og studere sammenhængen mellem galaksefusioner og sorthulsvækst. De viste, at det neurale netværk overgår menneskelige klassifikatorer i at identificere fusioner, og faktisk har menneskelige klassifikatorer en tendens til at forveksle almindelige galakser med fusioner.

Ved at anvende denne nye metode var forskerne i stand til at vise, at fusioner ikke er stærkt forbundet med vækst i sorte huller. Fusionssignaturer er lige så almindelige i galakser med og uden tilvækst supermassive sorte huller.

Ved at bruge en ekstremt stor prøve på cirka 8.000 tiltagende sorte hul-systemer - som gjorde det muligt for holdet at studere spørgsmålet meget mere detaljeret - fandt man ud af, at fusioner kun førte til sorthulsvækst i en meget specifik type galakser:stjernedannelse galakser, der indeholder betydelige mængder kold gas.

Dette viser, at galaksefusioner alene ikke er nok til at brænde sorte huller:store mængder kold gas skal også være til stede for at tillade det sorte hul at vokse.

Avirett-Mackenzie sagde:"For at galakser kan danne stjerner, skal de indeholde kolde gasskyer, der er i stand til at kollapse til stjerner. Meget energiske processer som supermassive sorte huller-tilvækst varmer denne gas op, enten gør den for energisk til at kollapse eller blæser den sammen. ud af galaksen."

Hun tilføjede:"På en klar nat kan du næsten spotte denne proces, der sker i realtid med Oriontågen - et stort, stjernedannende område i vores galakse og det nærmeste af sin slags på Jorden - hvor du kan se nogle stjerner, der blev dannet for nylig, og andre, der stadig dannes."

Dr. Carolin Villforth, lektor ved Institut for Fysik og Avirett-Mackenzies vejleder ved Bath, sagde:"Indtil nu har alle studeret fusioner på samme måde - gennem visuel klassificering. Med denne metode, når man bruger ekspertklassificeringer, der kan se mere subtile funktioner, var vi kun i stand til at se på et par hundrede galakser, ikke mere.

"Ved at bruge machine learning i stedet åbnes et helt nyt og meget spændende felt, hvor du kan analysere tusindvis af galakser ad gangen. Du får ensartede resultater over virkelig store prøver, og på ethvert givet tidspunkt kan du se på mange forskellige egenskaber ved en sort hul."

Flere oplysninger: M S Avirett-Mackenzie et al., En forbedring efter fusionen kun i stjernedannende Type 2 Seyfert-galakser:den dybe læringsudsigt, Monthly Notices of the Royal Astronomical Society (2024). DOI:10.1093/mnras/stae183

Leveret af University of Bath