Molta attenzione è stata dedicata alla tecnica di machine learning nota come "deep learning", in cui i computer sono in grado di discernere schemi di dati senza essere specificamente programmati per farlo. Negli ultimi anni, questa tecnica è stata applicata a numerose applicazioni, tra cui il riconoscimento vocale e facciale per piattaforme di social media come Facebook.
Tuttavia, gli astronomi beneficiano anche dell'apprendimento profondo, che li sta aiutando ad analizzare le immagini delle galassie e capire come si formano e si evolvono. In un nuovo studio, un team di ricercatori internazionali ha utilizzato un algoritmo di apprendimento profondo per analizzare le immagini delle galassie dal Telescopio spaziale Hubble. Questo metodo si è dimostrato efficace nel classificare queste galassie in base allo stadio in cui si trovavano nella loro evoluzione.
Lo studio, intitolato "Deep Learning identifica le galassie ad alta z in una fase di pepita blu centrale in una gamma di massa caratteristica", è recentemente apparso online ed è stato accettato per la pubblicazione nella Diario astrofisico. Lo studio è stato condotto da Marc Huertes-Company dell'Università Paris Diderot e ha incluso membri dell'Università della California Santa Cruz (UCSC), della Hebrew University, dello Space Telescope Science Institute, della University of Pennsylvania Philadelphia, della MINES Paris Tech e della Shanghai Normal University (SNHU).
In passato, Marc Huertas-Company ha già applicato metodi di apprendimento profondo Hubble dati per la classificazione della galassia. In collaborazione con David Koo e Joel Primack, entrambi professori emeriti di UC Santa Cruz (e con il supporto di Google), Huertas-Company e il team hanno trascorso le ultime due estati sviluppando una rete neurale in grado di identificare le galassie in diverse fasi nella loro evoluzione.
"Questo progetto era solo una delle tante idee che avevamo", ha affermato Koo in un recente comunicato stampa dell'USCS. “Volevamo scegliere un processo che i teorici possano definire chiaramente sulla base delle simulazioni e che abbia qualcosa a che fare con l'aspetto di una galassia, quindi l'algoritmo di apprendimento profondo lo cerca nelle osservazioni. Stiamo appena iniziando a esplorare questo nuovo modo di fare ricerca. È un nuovo modo di fondere teoria e osservazioni ".
Per motivi di studio, i ricercatori hanno utilizzato simulazioni al computer per generare immagini simulate di galassie come avrebbero guardato nelle osservazioni del Telescopio spaziale Hubble. Le immagini simulate sono state utilizzate per addestrare la rete neurale di apprendimento profondo per riconoscere tre fasi chiave dell'evoluzione della galassia che erano state precedentemente identificate nelle simulazioni. I ricercatori hanno quindi utilizzato la rete per analizzare una vasta serie di immagini Hubble reali.
Come per le immagini precedenti analizzate da Huertas-Company, queste immagini fanno parte del progetto Hubble "Cosmic Assembly Near Exfrag Deep Extragalactic Legacy Survey (CANDELS) - il più grande progetto nella storia del Telescopio spaziale Hubble. Ciò che hanno scoperto è che le classificazioni della rete neurale di galassie simulate e reali erano notevolmente coerenti. Come ha spiegato Joel Primack:
“Non ci aspettavamo che avesse così tanto successo. Sono stupito di quanto sia potente. Sappiamo che le simulazioni hanno dei limiti, quindi non vogliamo presentare un reclamo troppo forte. Ma non pensiamo che questo sia solo un colpo di fortuna. "
Il team di ricerca era particolarmente interessato alle galassie che hanno una piccola, densa regione di formazione stellare nota come "pepita blu". Queste regioni si verificano all'inizio dell'evoluzione delle galassie ricche di gas, quando grandi flussi di gas nel centro di una galassia provocano la formazione di giovani stelle che emettono luce blu. Per simulare questi e altri tipi di galassie, il team si è basato su simulazioni VELA all'avanguardia sviluppate da Primack e un team internazionale di collaboratori.
In entrambi i dati simulati e osservativi, il programma per computer ha scoperto che la fase di "pepita blu" si verifica solo in galassie con masse entro un certo intervallo. Questo è stato seguito da una formazione stellare che termina nella regione centrale, portando alla fase compatta della "pepita rossa", dove le stelle nella regione centrale escono dalla loro fase principale di sequenza e diventano giganti rosse.
La coerenza della gamma di massa era eccitante perché indicava che la rete neurale stava identificando uno schema che risulta da un processo fisico chiave nelle galassie reali - e senza che fosse necessario dirlo in modo specifico. Come indicato da Koo, questo studio rappresenta un grande passo avanti per l'astronomia e l'IA, ma molte ricerche devono ancora essere fatte:
“Le simulazioni VELA hanno avuto molto successo in termini di aiuto nella comprensione delle osservazioni di CANDEL. Nessuno ha simulazioni perfette, però. Mentre continuiamo questo lavoro, continueremo a sviluppare simulazioni migliori. "
Ad esempio, le simulazioni del team non includevano il ruolo svolto da Active Galactic Nuclei (AGN). Nelle galassie più grandi, il gas e la polvere vengono accumulati su un buco nero supermassiccio centrale (SMBH) al centro, il che provoca l'espulsione di gas e radiazioni in enormi getti. Alcuni studi recenti hanno indicato come ciò possa avere un effetto di arresto sulla formazione stellare nelle galassie.
Tuttavia, le osservazioni di galassie distanti e più giovani hanno mostrato prove del fenomeno osservato nelle simulazioni del team, in cui i nuclei ricchi di gas portano alla fase di pepita blu. Secondo Koo, l'utilizzo del deep learning per studiare l'evoluzione galattica ha il potenziale di rivelare aspetti precedentemente non rilevati di dati osservativi. Invece di osservare le galassie come istantanee nel tempo, gli astronomi saranno in grado di simulare il modo in cui si evolvono nel giro di miliardi di anni.
"L'apprendimento profondo cerca schemi e la macchina può vedere schemi così complessi che noi umani non li vediamo", ha detto. "Vogliamo fare molte più prove di questo approccio, ma in questo studio di prova del concetto, la macchina sembrava trovare con successo nei dati le diverse fasi dell'evoluzione della galassia identificate nelle simulazioni."
In futuro, gli astronomi avranno più dati di osservazione da analizzare grazie allo spiegamento di telescopi di prossima generazione come il Grande telescopio sinottico di indagine (LSST), il James Webb Space Telescope (JWST) e il Telescopio per rilevamento a infrarossi ad ampio campo (WFIRST). Questi telescopi forniranno set di dati ancora più massicci, che possono quindi essere analizzati con metodi di apprendimento automatico per determinare quali schemi esistono.
Astronomia e intelligenza artificiale, lavorando insieme per migliorare la nostra comprensione dell'Universo. Mi chiedo se dovremmo metterlo sul compito di trovare anche una teoria di tutto (ToE)!
