Veľa pozornosti sa venovala technike strojového učenia známej ako „hlboké vzdelávanie“, kde počítače dokážu rozoznať vzorce v údajoch bez toho, aby boli na to špeciálne naprogramované. V posledných rokoch sa táto technika používala pri mnohých aplikáciách, medzi ktoré patrí rozpoznávanie hlasu a tváre pre platformy sociálnych médií, ako je Facebook.
Astronómovia však ťažia aj z hlbokého učenia, ktoré im pomáha analyzovať obrazy galaxií a porozumieť tomu, ako sa formujú a vyvíjajú. V novej štúdii použil tím medzinárodných vedcov algoritmus hlbokého učenia sa na analýzu snímok galaxií z vesmíru Hubbleov vesmírny teleskop, Táto metóda sa ukázala ako účinná pri klasifikácii týchto galaxií na základe toho, v akom štádiu boli vo vývoji.
Štúdia s názvom „Hlboké vzdelávanie identifikuje galaxie s vysokým obsahom z v centrálnej modrej nuggetovej fáze v charakteristickom rozsahu hmotností“, ktorá sa nedávno objavila online, bola prijatá na uverejnenie v Astrofyzical Journal. Štúdiu viedla spoločnosť Marc Huertes z University of Paris Diderot a zúčastnili sa jej členovia z Kalifornskej univerzity v Santa Cruz (UCSC), hebrejskej univerzity, inštitútu Space Telescope Science Institute, University of Pennsylvania Philadelphia, MINES ParisTech a Shanghai Normal University. (snehu).
V minulosti spoločnosť Marc Huertas už používala metódy hĺbkového vzdelávania Hubble údaje kvôli klasifikácii galaxií. V spolupráci s Davidom Koom a Joelom Primackom, obaja sú emeritným profesorom v UC Santa Cruz (as podporou spoločnosti Google), spoločnosť Huertas-Company a tím strávili posledné dve letá vývojom neurónovej siete, ktorá by mohla identifikovať galaxie v rôznych fázach. v ich vývoji.
„Tento projekt bol iba jedným z niekoľkých nápadov, ktoré sme mali,“ povedal Koo v nedávnej tlačovej správe USCS. „Chceli sme zvoliť proces, ktorý teoretici môžu jasne definovať na základe simulácií a ktorý má niečo spoločné s tým, ako vyzerá galaxia, a potom si v pozorovaniach nechajte vyhľadať algoritmus hlbokého učenia. Začíname skúmať tento nový spôsob výskumu. Je to nový spôsob teórie tavenia a pozorovaní. “
Vedci použili pre svoju štúdiu počítačové simulácie na vytvorenie falošných obrazov galaxií, ako by vyzerali v pozorovaniach Hubbleov vesmírny teleskop, Vzorové obrázky sa použili na trénovanie hlbokej neurónovej siete na rozpoznávanie troch kľúčových fáz evolúcie galaxií, ktoré boli predtým identifikované v simuláciách. Vedci potom použili sieť na analýzu veľkého množstva skutočných snímok z Hubbleovho teleskopu.
Rovnako ako v predchádzajúcich obrázkoch, ktoré analyzovala spoločnosť Huertas, sú tieto obrázky súčasťou projektu Hubbleov vesmírny program Kosmické zhromaždenie v blízkosti infračerveného hlbokého extragalaktického prieskumu dedičstva (CANDELS) - najväčší projekt v histórii Hubbleov vesmírny teleskop, Zistili, že klasifikácia simulovaných a skutočných galaxií neurónovej siete bola pozoruhodne konzistentná. Ako vysvetlil Joel Primack:
„Neočakávali sme, že to bude také úspešné. Som ohromený tým, aké je to silné. Vieme, že simulácie majú obmedzenia, a preto nechceme robiť príliš silný nárok. Nemyslíme si však, že je to len šťastná náhoda. “
Výskumný tím sa zaujímal najmä o galaxie, ktoré majú malú, hustú oblasť vytvárajúcu hviezdy, ktorá sa nazýva „modrá nugeta“. Tieto oblasti sa vyskytujú na začiatku vývoja galaxií bohatých na plyn, keď veľké toky plynu do stredu galaxie spôsobujú vznik mladých hviezd, ktoré vyžarujú modré svetlo. Pri simulácii týchto a iných typov galaxií sa tím spoliehal na najmodernejšie simulácie VELA vyvinuté spoločnosťou Primack a medzinárodným tímom spolupracovníkov.
V simulovaných aj observačných údajoch počítačový program zistil, že fáza „modrého zrnka“ sa vyskytuje iba v galaxiách s hmotnosťou v určitom rozsahu. Potom nasledovala formácia hviezd končiaca v centrálnej oblasti, čo viedlo k kompaktnej fáze „červeného nugeta“, kde hviezdy v centrálnej oblasti opustili svoju hlavnú sekvenčnú fázu a stali sa červenými obrami.
Konzistentnosť hmotnostného rozsahu bola vzrušujúca, pretože naznačovala, že neurónová sieť identifikovala model, ktorý je výsledkom kľúčového fyzikálneho procesu v skutočných galaxiách - a to bez toho, aby sa o tom muselo výslovne hovoriť. Ako naznačil Koo, táto štúdia je veľkým krokom vpred pre astronómiu a AI, je však potrebné vykonať ešte veľa výskumov:
„Simulácie VELA mali veľa úspechov, keď nám pomohli porozumieť pozorovaniam CANDELS. Nikto však nemá dokonalé simulácie. Keď budeme pokračovať v tejto práci, budeme naďalej vyvíjať lepšie simulácie. “
Napríklad simulácie tímu nezahrnuli úlohu, ktorú hrá aktívna galaktická jadrová bunka (AGN). Vo väčších galaxiách sa plyn a prach nahromadia do centrálneho Supermassive Black Hole (SMBH) v jadre, čo spôsobuje, že sa plyn a žiarenie vylučujú do veľkých prúdov. Niektoré nedávne štúdie naznačili, ako to môže mať zastavujúci účinok na tvorbu hviezd v galaxiách.
Pozorovania vzdialených, mladších galaxií však preukázali jav pozorovaný v simuláciách tímu, kde jadrá bohaté na plyn vedú do fázy modrých zrniek. Podľa Koo má použitie hlbokého učenia na štúdium galaktickej evolúcie potenciál odhaliť predtým nezistené aspekty observačných údajov. Namiesto pozorovania galaxií ako snímok v čase budú astronómovia schopní simulovať, ako sa vyvíjajú v priebehu miliárd rokov.
"Hlboké učenie hľadá vzory a stroj dokáže vidieť také zložité vzory, že ich my, ľudia, nevidíme," povedal. "Chceme urobiť oveľa viac testovania tohto prístupu, ale v tejto štúdii overovania koncepcie sa zdalo, že stroj v dátach úspešne našiel rôzne fázy vývoja galaxie identifikované v simuláciách."
Astronómovia budú mať v budúcnosti k dispozícii viac pozorovacích údajov na analýzu vďaka nasadeniu ďalekohľadov novej generácie, ako sú Veľký synoptický prieskumný ďalekohľad (LSST), James Webb Space Telescope (JWST) a Širokouhlý infračervený prieskumný ďalekohľad (WFIRST). Tieto ďalekohľady poskytnú ešte rozsiahlejšie súbory údajov, ktoré sa potom dajú analyzovať metódami strojového učenia s cieľom určiť, aké vzory existujú.
Astronómia a umelá inteligencia, ktoré spolupracujú na lepšom porozumení vesmíru. Zaujímalo by ma, či by sme si to nemali dať za úlohu nájsť teóriu všetkého (ToE)!
