Velká pozornost byla věnována technice strojového učení známého jako „hluboké učení“, kde jsou počítače schopny rozlišit vzorce v datech, aniž by na to byly speciálně naprogramovány. V posledních letech byla tato technika použita u řady aplikací, které zahrnují rozpoznávání hlasu a obličeje pro platformy sociálních médií, jako je Facebook.
Astronomové však také těží z hlubokého učení, které jim pomáhá analyzovat obrazy galaxií a pochopit, jak se formují a vyvíjejí. V nové studii tým mezinárodních vědců použil algoritmus hlubokého učení k analýze obrázků galaxií z EU Hubbleův kosmický dalekohled. Tato metoda se ukázala jako účinná při klasifikaci těchto galaxií podle toho, v jaké fázi byly v jejich vývoji.
Studie s názvem „Hluboké učení identifikuje galaxie typu High-z ve střední modré nuggetové fázi v charakteristickém hromadném rozsahu“, nedávno byla uvedena online a byla přijata k publikování v Astrofyzikální deník. Studii vedl Marc Huertes-Company z University Paris Diderot a zahrnovali členy University of California v Kalifornii Santa Cruz (UCSC), hebrejskou univerzitu, Space Institute Telescope Science Institute, University of Pennsylvania Philadelphia, MINES ParisTech a Shanghai Normal University (SNHU).
V minulosti společnost Marc Huertas-Company již aplikovala metody hlubokého učení Hubble údaje pro klasifikaci galaxií. Ve spolupráci s Davidem Koo a Joelem Primackem, kteří jsou oba emeritní profesorem v UC Santa Cruz (as podporou společnosti Google), společnost Huertas-Company a tým minulá dvě léta vyvinula neuronovou síť, která by mohla identifikovat galaxie v různých fázích v jejich vývoji.
"Tento projekt byl jen jedním z několika nápadů, které jsme měli," řekl Koo v nedávné tiskové zprávě USCS. "Chtěli jsme si vybrat proces, který teoretici mohou jasně definovat na základě simulací a který má co do činění s tím, jak vypadá galaxie, a pak si v pozorováních nechte prohlédnout algoritmus hlubokého učení. Začínáme prozkoumávat tento nový způsob výzkumu. Je to nový způsob roztavení teorie a pozorování. “
Pro svou studii vědci použili počítačové simulace ke generování falešných obrazů galaxií, protože vypadali v pozorováních Hubbleův kosmický dalekohled. Falešné obrazy byly použity k tréninku hluboké neuronové sítě k rozpoznání tří klíčových fází vývoje galaxie, které byly dříve identifikovány v simulacích. Vědci pak použili síť k analýze velké sady skutečných obrázků Hubbleova tělesa.
Stejně jako u předchozích snímků anaylzovaných společností Huertas, jsou tyto obrázky součástí projektu Hubbleova kosmického shromáždění Blízko infračerveného hlubokého extragalaktického průzkumu dědictví (CANDELS) - největšího projektu v historii Hubbleův kosmický dalekohled. Zjistili, že klasifikace simulovaných a skutečných galaxií neuronové sítě byly pozoruhodně konzistentní. Jak vysvětlil Joel Primack:
"Neočekávali jsme, že to bude tak úspěšné." Jsem ohromen tím, jak moc to je. Víme, že simulace mají svá omezení, a proto nechceme příliš tvrdit. Ale nemyslíme si, že je to jen šťastná náhoda. “
Výzkumný tým se obzvláště zajímal o galaxie, které mají malou, hustou hvězdotvornou oblast známou jako „modrý nugget“. Tyto oblasti se vyskytují na počátku vývoje galaxií bohatých na plyn, kdy velké toky plynu do středu galaxie způsobují vznik mladých hvězd, které vyzařují modré světlo. Při simulaci těchto a dalších typů galaxií se tým spoléhal na nejmodernější simulace VELA vyvinuté společností Primack a mezinárodním týmem spolupracovníků.
V simulovaných i observačních datech počítačový program zjistil, že fáze „modrého nuggetu“ se vyskytuje pouze v galaxiích s hmotami v určitém rozmezí. Poté následovala formace hvězd v centrální oblasti, což vedlo k kompaktní fázi „červené nugety“, kde hvězdy ve střední oblasti opouštějí svou hlavní sekvenční fázi a stávají se červenými obry.
Konzistence rozsahu hmotností byla vzrušující, protože naznačovala, že neuronová síť identifikovala vzorec, který je výsledkem klíčového fyzického procesu v reálných galaxiích - a aniž by to bylo třeba výslovně říkat. Jak naznačil Koo, tato studie je velkým krokem vpřed pro astronomii a umělou inteligenci, ale stále je třeba provést mnoho výzkumu:
„Simulace VELA měly hodně úspěchů, když nám pomohly porozumět pozorování CANDELS. Nikdo však nemá dokonalé simulace. Jak budeme pokračovat v této práci, budeme i nadále vyvíjet lepší simulace. “
Simulace týmu například nezahrnovaly roli, kterou hraje aktivní galaktické jádro (AGN). Ve větších galaxiích se plyn a prach nahromadí na centrální supermasivní černou díru (SMBH) v jádru, což způsobí, že se plyn a záření vyhodí do obrovských proudů. Některé nedávné studie naznačily, jak to může mít zastavující účinek na tvorbu hvězd v galaxiích.
Pozorování vzdálených, mladších galaxií však prokázala jev pozorovaný v simulacích týmu, kde jádra bohatá na plyn vedou k fázi modré nugety. Podle Koo má hluboké učení ke studiu galaktického vývoje potenciál odhalit dříve nezjištěné aspekty observačních dat. Místo pozorování galaxií jako snímků v čase budou astronomové schopni simulovat, jak se vyvíjejí po miliardy let.
"Hluboké učení hledá vzory a stroj může vidět vzory, které jsou tak složité, že je my lidé nevidíme," řekl. "Chceme udělat mnohem více testování tohoto přístupu, ale v této studii prokázání konceptu se zdálo, že stroj v datech úspěšně našel různá stádia vývoje galaxie identifikovaná v simulacích."
V budoucnu budou mít astronomové více pozorovacích údajů, které budou moci analyzovat díky rozmístění dalekohledů nové generace, jako jsou Velký synoptický průzkumný dalekohled (LSST), James Webb Space Telescope (JWST) a Širokouhlý infračervený průzkumný dalekohled (WFIRST). Tyto dalekohledy poskytnou ještě rozsáhlejší soubory dat, které pak mohou být analyzovány metodami strojového učení k určení, jaké vzory existují.
Astronomie a umělá inteligence, spolupracující na lepším porozumění vesmíru. Zajímalo by mě, jestli bychom to neměli dát za úkol najít teorii všeho (ToE) taky!
