Большое внимание было уделено технике машинного обучения, известной как «глубокое обучение», когда компьютеры способны распознавать закономерности в данных, не будучи специально запрограммированными для этого. В последние годы этот метод был применен к ряду приложений, которые включают распознавание голоса и лица для социальных сетей, таких как Facebook.
Тем не менее, астрономы также получают пользу от глубокого обучения, которое помогает им анализировать изображения галактик и понимать, как они формируются и развиваются. В новом исследовании группа международных исследователей использовала алгоритм глубокого обучения для анализа изображений галактик из Космический телескоп Хаббл, Этот метод оказался эффективным при классификации этих галактик на основе того, на какой стадии они находились в своей эволюции.
Исследование, озаглавленное «Глубокое обучение, выявляет галактики с высоким z в фазе центрального синего самородка в диапазоне характерных масс», недавно появилось в сети и было принято для публикации в Астрофизический журнал. Исследование было проведено Марком Уэртесом из Университета Парижа Дидро и включало представителей Калифорнийского университета Санта-Крус (UCSC), Еврейского университета, Научного института космического телескопа, Университета Пенсильвании Филадельфии, MINES ParisTech и Шанхайского педагогического университета (SNHU).
В прошлом Marc Huertas-Company уже применяла методы глубокого обучения для кочка данные для классификации галактики. В сотрудничестве с Дэвидом Ку и Джоэлем Примаком, оба из которых являются почетными профессорами в Калифорнийском университете в Санта-Круз (и при поддержке Google), Huertas-Company и команда провели последние два лета, разрабатывая нейронную сеть, которая могла бы идентифицировать галактики на разных этапах. в их эволюции.
«Этот проект был лишь одной из нескольких наших идей», - сказал Ку в недавнем пресс-релизе USCS. «Мы хотели выбрать процесс, который теоретики могут четко определить на основе моделирования, и который как-то связан с тем, как выглядит галактика, а затем использовать алгоритм глубокого обучения, который будет искать его в наблюдениях. Мы только начинаем изучать этот новый способ исследования. Это новый способ объединения теории и наблюдений ».
Ради своего исследования исследователи использовали компьютерное моделирование для создания ложных изображений галактик, которые они будут смотреть в наблюдениях Космический телескоп Хаббл, Ложные изображения использовались для обучения нейронной сети с глубоким обучением для распознавания трех ключевых фаз эволюции галактики, которые были ранее идентифицированы в симуляциях. Затем исследователи использовали сеть для анализа большого набора фактических изображений Хаббла.
Как и в случае с предыдущими изображениями, проанализированными компанией Huertas, эти изображения являются частью проекта Космической Ассамблеи Хаббла по исследованию глубокого внегалактического наследия в ближнем инфракрасном диапазоне (CANDELS) - крупнейшего проекта в истории Космический телескоп Хаббл, Они обнаружили, что классификации нейронных сетей симулированных и реальных галактик были удивительно последовательными. Как объяснил Джоэл Примак:
«Мы не ожидали, что это будет настолько успешным. Я поражен тем, насколько это мощно. Мы знаем, что моделирование имеет ограничения, поэтому мы не хотим предъявлять слишком серьезные требования. Но мы не думаем, что это просто счастливая случайность ».
Исследовательская группа особенно интересовалась галактиками, которые имеют небольшую плотную звездообразующую область, известную как «синий самородок». Эти области возникают в начале эволюции богатых газом галактик, когда большие потоки газа в центр галактики вызывают образование молодых звезд, излучающих синий свет. Чтобы моделировать эти и другие типы галактик, команда использовала современное моделирование VELA, разработанное Primack и международной командой сотрудников.
Как в смоделированных, так и в наблюдательных данных компьютерная программа обнаружила, что фаза «голубого самородка» встречается только в галактиках с массами в определенном диапазоне. За этим последовало образование звезд, оканчивающееся в центральной области, что привело к фазе компактного «красного самородка», где звезды в центральной области выходят из своей фазы основной последовательности и становятся красными гигантами.
Согласованность диапазона масс была захватывающей, потому что это указывало на то, что нейронная сеть идентифицировала паттерн, являющийся результатом ключевого физического процесса в реальных галактиках, и без необходимости специально указывать это. Как указал Ку, это исследование является большим шагом вперед для астрономии и ИИ, но предстоит еще много исследований:
«Моделирование VELA имело большой успех с точки зрения того, чтобы помочь нам понять наблюдения CANDELS. Ни у кого нет идеальной симуляции. Продолжая эту работу, мы продолжим разрабатывать лучшие симуляции ».
Например, симуляции команды не включали роль, которую играют активные галактические ядра (AGN). В более крупных галактиках газ и пыль скапливаются в центральной сверхмассивной черной дыре (SMBH) в ядре, что приводит к выбросу газа и излучения в огромных струях. Некоторые недавние исследования показали, как это может оказывать сдерживающее влияние на звездообразование в галактиках.
Тем не менее, наблюдения далёких, более молодых галактик показали, что это явление наблюдалось при моделировании команды, когда богатые газом ядра приводят к фазе голубого самородка. По словам Ку, использование глубокого обучения для изучения эволюции галактик может выявить ранее необнаруженные аспекты данных наблюдений. Вместо того, чтобы рассматривать галактики как моментальные снимки, астрономы смогут моделировать их эволюцию в течение миллиардов лет.
«Глубокое обучение ищет шаблоны, и машина может видеть шаблоны настолько сложные, что мы, люди, не видим их», - сказал он. «Мы хотим провести гораздо больше испытаний этого подхода, но в этом исследовании, подтверждающем концепцию, машина, казалось, успешно нашла в данных различные этапы эволюции галактики, выявленные в ходе моделирования».
В будущем астрономы получат больше данных для анализа благодаря использованию телескопов следующего поколения, таких как Большой синоптический обзорный телескоп (LSST), Космический телескоп Джеймса Вебба (JWST) и Инфракрасный широкоугольный телескоп (WFIRST). Эти телескопы обеспечат еще более массивные наборы данных, которые затем могут быть проанализированы с помощью методов машинного обучения, чтобы определить, какие шаблоны существуют.
Астрономия и искусственный интеллект, работающие вместе, чтобы улучшить наше понимание Вселенной. Интересно, стоит ли нам ставить задачу найти Теорию Всего (ТоО) тоже?
