Een machine learning-methode genaamd "deep learning, " die op grote schaal is gebruikt in gezichtsherkenning en andere toepassingen voor beeld- en spraakherkenning, heeft veelbelovend getoond in het helpen van astronomen om beelden van sterrenstelsels te analyseren en te begrijpen hoe ze zich vormen en evolueren.

In een nieuwe studie, geaccepteerd voor publicatie in Astrofysisch tijdschrift en online beschikbaar, onderzoekers gebruikten computersimulaties van de vorming van sterrenstelsels om een ​​deep learning-algoritme te trainen, die vervolgens verrassend goed bleek te zijn in het analyseren van beelden van sterrenstelsels van de Hubble-ruimtetelescoop.

De onderzoekers gebruikten de output van de simulaties om namaakbeelden van gesimuleerde sterrenstelsels te genereren zoals ze eruit zouden zien in waarnemingen door de Hubble-ruimtetelescoop. De nepbeelden werden gebruikt om het deep learning-systeem te trainen om drie belangrijke fasen van de evolutie van sterrenstelsels te herkennen die eerder in de simulaties waren geïdentificeerd. De onderzoekers gaven het systeem vervolgens een grote reeks echte Hubble-afbeeldingen om te classificeren.

De resultaten toonden een opmerkelijk niveau van consistentie in de classificaties van gesimuleerde en echte sterrenstelsels door het neurale netwerk.

"We hadden niet verwacht dat het zo'n succes zou worden. Ik sta versteld hoe krachtig dit is, " zei co-auteur Joel Primack, emeritus hoogleraar natuurkunde en lid van het Santa Cruz Institute for Particle Physics (SCIPP) aan de UC Santa Cruz. "We weten dat de simulaties beperkingen hebben, dus we willen niet te sterk beweren. Maar we denken niet dat dit een toevalstreffer is."

Sterrenstelsels zijn complexe fenomenen, hun uiterlijk veranderen terwijl ze zich in de loop van miljarden jaren ontwikkelen, en afbeeldingen van sterrenstelsels kunnen alleen momentopnamen in de tijd opleveren. Astronomen kunnen dieper in het heelal kijken en daardoor "terug in de tijd" om eerdere sterrenstelsels te zien (vanwege de tijd die licht nodig heeft om kosmische afstanden af ​​te leggen), maar het volgen van de evolutie van een individueel sterrenstelsel in de loop van de tijd is alleen mogelijk in simulaties. Het vergelijken van gesimuleerde sterrenstelsels met waargenomen sterrenstelsels kan belangrijke details van de werkelijke sterrenstelsels en hun waarschijnlijke geschiedenis onthullen.

In de nieuwe studie de onderzoekers waren vooral geïnteresseerd in een fenomeen dat te zien was in de simulaties vroeg in de evolutie van gasrijke sterrenstelsels, wanneer grote gasstromen naar het centrum van een melkwegstelsel de vorming van een kleine, gespannen, stervormingsgebied dat een "blauwe goudklomp" wordt genoemd. (Jong, hete sterren zenden korte "blauwe" golflengten van licht uit, dus blauw duidt op een sterrenstelsel met actieve stervorming, terwijl ouder, koelere sterren stralen meer "rood" licht uit.)

In zowel gesimuleerde als observatiegegevens, het computerprogramma ontdekte dat de "blue nugget"-fase alleen voorkomt in sterrenstelsels met massa's binnen een bepaald bereik. Dit wordt gevolgd door het uitdoven van de stervorming in het centrale gebied, wat leidt tot een compacte "red nugget" -fase. De consistentie van het massabereik was een opwindende bevinding, omdat het suggereert dat het deep learning-algoritme op zichzelf een patroon identificeert dat het resultaat is van een belangrijk fysiek proces dat plaatsvindt in echte sterrenstelsels.

"Het kan zijn dat in een bepaald maatbereik, sterrenstelsels hebben precies de juiste massa om dit fysieke proces te laten plaatsvinden, " zei co-auteur David Koo, emeritus hoogleraar astronomie en astrofysica aan de UC Santa Cruz.

De onderzoekers gebruikten state-of-the-art melkwegsimulaties (de VELA-simulaties) ontwikkeld door Primack en een internationaal team van medewerkers, waaronder Daniel Ceverino (Universiteit van Heidelberg), die de simulaties uitvoerde, en Avishai Dekel (Hebreeuwse Universiteit), die de analyse en interpretatie ervan leidde en op basis daarvan nieuwe fysieke concepten ontwikkelde. Al dergelijke simulaties zijn beperkt, echter, in hun vermogen om de complexe fysica van de vorming van sterrenstelsels vast te leggen.

Vooral, de simulaties die in deze studie werden gebruikt, bevatten geen feedback van actieve galactische kernen (injectie van energie uit straling als gas wordt aangegroeid door een centraal superzwaar zwart gat). Veel astronomen beschouwen dit proces als een belangrijke factor die de stervorming in sterrenstelsels reguleert. Hoe dan ook, waarnemingen van verre, jonge sterrenstelsels lijken bewijs te vertonen van het fenomeen dat leidt tot de blue nugget-fase die in de simulaties wordt gezien.

Voor de waarnemingsgegevens het team gebruikte afbeeldingen van sterrenstelsels die zijn verkregen via het CANDELS-project (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey), het grootste project in de geschiedenis van de Hubble-ruimtetelescoop. Eerste auteur Marc Huertas-Company, een astronoom aan het Observatorium van Parijs en de Universiteit van Parijs Diderot, had al baanbrekend werk verricht door deep learning-methoden toe te passen op classificaties van sterrenstelsels met behulp van openbaar beschikbare CANDELS-gegevens.

Koo, een CANDELS mede-onderzoeker, nodigde Huertas-Company uit om UC Santa Cruz te bezoeken om dit werk voort te zetten. Google heeft hun werk op het gebied van diepgaand leren in de astronomie ondersteund door onderzoeksfondsen aan Koo en Primack te schenken, waardoor Huertas-Company de afgelopen twee zomers in Santa Cruz kan doorbrengen, met plannen voor een volgend bezoek in de zomer van 2018.

"Dit project was slechts een van de vele ideeën die we hadden, Koo zei. "We wilden een proces kiezen dat theoretici duidelijk kunnen definiëren op basis van de simulaties, en dat heeft iets te maken met hoe een melkwegstelsel eruitziet, laat het deep learning-algoritme er vervolgens naar zoeken in de observaties. We zijn net begonnen met het verkennen van deze nieuwe manier van onderzoek doen. Het is een nieuwe manier om theorie en observaties samen te brengen."

Voor jaren, Primack heeft nauw samengewerkt met Koo en andere astronomen van UC Santa Cruz om de simulaties van de vorming en evolutie van sterrenstelsels door zijn team te vergelijken met de CANDELS-waarnemingen. "De VELA-simulaties hebben veel succes gehad door ons te helpen de CANDELS-waarnemingen te begrijpen, "Zei Primack. "Niemand heeft perfecte simulaties, Hoewel. Terwijl we dit werk voortzetten, we zullen betere simulaties blijven ontwikkelen."

Volgens Koo, deep learning heeft het potentieel om aspecten van de waarnemingsgegevens te onthullen die mensen niet kunnen zien. Het nadeel is dat het algoritme als een "zwarte doos, " dus het is moeilijk om te weten welke functies in de gegevens de machine gebruikt om zijn classificaties te maken. Netwerkondervragingstechnieken kunnen identificeren welke pixels in een afbeelding het meest hebben bijgedragen aan de classificatie, echter, en de onderzoekers testten zo'n methode op hun netwerk.

"Deep learning zoekt naar patronen, en de machine kan patronen zien die zo complex zijn dat wij mensen ze niet zien, Koo zei. "We willen nog veel meer testen van deze aanpak, maar in deze proof-of-concept-studie, de machine leek met succes in de gegevens de verschillende stadia van de evolutie van sterrenstelsels te vinden die in de simulaties waren geïdentificeerd."

In de toekomst, hij zei, astronomen zullen veel meer waarnemingsgegevens hebben om te analyseren als resultaat van grote onderzoeksprojecten en nieuwe telescopen zoals de Large Synoptic Survey Telescope, de James Webb-ruimtetelescoop, en de Wide-Field Infrared Survey Telescope. Deep learning en andere machine learning-methoden kunnen krachtige hulpmiddelen zijn om deze enorme datasets te begrijpen.

"Dit is het begin van een zeer opwindende tijd voor het gebruik van geavanceerde kunstmatige intelligentie in de astronomie, ' zei Ko.