Melkwegclusters zijn enkele van de meest massieve structuren in de kosmos, maar ondanks dat ze miljoenen lichtjaren in doorsnede zijn, ze kunnen nog steeds moeilijk te herkennen zijn. Onderzoekers van Lancaster University hebben zich tot kunstmatige intelligentie gewend voor hulp, het ontwikkelen van "Deep-CEE" (Deep Learning for Galaxy Cluster Extraction and Evaluation), een nieuwe deep learning-techniek om het proces om ze te vinden te versnellen. Matthew Chan, een doctoraat student aan de Universiteit van Lancaster, presenteert dit werk op de National Astronomy-bijeenkomst van de Royal Astronomical Society op 4 juli om 15:45 uur in de sessie Machine Learning in Astrophysics.

De meeste sterrenstelsels in het universum leven in omgevingen met een lage dichtheid die bekend staan ​​als "het veld", of in kleine groepen, zoals degene die onze Melkweg en Andromeda bevat. Melkwegclusters zijn zeldzamer, maar ze vertegenwoordigen de meest extreme omgevingen waarin sterrenstelsels kunnen leven en het bestuderen ervan kan ons helpen donkere materie en donkere energie beter te begrijpen.

In de jaren vijftig was de pionier van het vinden van clusters van sterrenstelsels, astronoom George Abell, besteedde vele jaren aan het met het oog zoeken naar clusters van sterrenstelsels, met behulp van een vergrootglas en fotografische platen om ze te lokaliseren. Abell analyseerde handmatig rond 2, 000 fotografische platen, op zoek naar visuele handtekeningen van clusters van sterrenstelsels, en detaillering van de astronomische coördinaten van de dichte gebieden van sterrenstelsels. Zijn werk resulteerde in de 'Abell-catalogus' van clusters van sterrenstelsels op het noordelijk halfrond.

Deep-CEE bouwt voort op de benadering van Abell voor het identificeren van clusters van sterrenstelsels, maar vervangt de astronoom door een AI-model dat is getraind om naar kleurenafbeeldingen te "kijken" en clusters van sterrenstelsels te identificeren. Het is een state-of-the-art model gebaseerd op neurale netwerken, die zijn ontworpen om de manier na te bootsen waarop een menselijk brein objecten leert herkennen door specifieke neuronen te activeren bij het visualiseren van onderscheidende patronen en kleuren.

Chan trainde de AI door hem herhaaldelijk voorbeelden te laten zien van bekende, gelabeld, objecten in afbeeldingen totdat het algoritme in staat is om zelfstandig objecten te associëren. Vervolgens voerde hij een pilotstudie uit om het vermogen van het algoritme te testen om clusters van sterrenstelsels te identificeren en te classificeren in afbeeldingen die veel andere astronomische objecten bevatten.

"We hebben Deep-CEE met succes toegepast op de Sloan Digital Sky Survey", zegt Chan, "uiteindelijk, we zullen ons model gebruiken op revolutionaire onderzoeken zoals de Large Synoptic Survey-telescoop (LSST) die breder en dieper zal sonderen in gebieden van het heelal die nog nooit eerder zijn verkend.

Nieuwe ultramoderne telescopen hebben astronomen in staat gesteld om breder en dieper te observeren dan ooit tevoren, zoals het bestuderen van de grootschalige structuur van het universum en het in kaart brengen van de enorme onontdekte inhoud ervan.

Door het ontdekkingsproces te automatiseren, wetenschappers kunnen snel reeksen afbeeldingen scannen, en nauwkeurige voorspellingen retourneren met minimale menselijke interactie. Dit is essentieel voor het analyseren van gegevens in de toekomst. De komende LSST-hemelenquête (die in 2021 online komt) zal de lucht van het hele zuidelijk halfrond in beeld brengen, het genereren van naar schatting 15 TB aan data per nacht.

"Dataminingtechnieken zoals deep learning zullen ons helpen de enorme output van moderne telescopen te analyseren", zegt Dr. John Stott (Chan's Ph.D.-supervisor). "We verwachten dat onze methode duizenden clusters zal vinden die nog nooit eerder door de wetenschap zijn gezien".

Chan zal de bevindingen van zijn paper "Fishing for galaxy clusters with "Deep-CEE" neural nets" op 4 juli om 15:45 uur presenteren in de sessie 'Machine Learning in Astrophysics'. (Chan en Stott 2019) die is ingediend bij MNRAS en is te vinden op Arxiv .