Door een nieuwe methode te introduceren om de vorming en evolutie van sterrenstelsels te onderzoeken, toonde het team het potentieel van kunstmatige intelligentie (AI) bij het identificeren van zeldzame zwakke signalen in astronomische big data. Het onderzoek werd gepubliceerd in Monthly Notices of the Royal Astronomical Society .

‘Neutrale koolstofabsorbers’ uit koud gas met stof in het universum dienen als cruciale sondes voor het bestuderen van de vorming en evolutie van sterrenstelsels. De signalen van neutrale koolstofabsorptielijnen zijn echter zwak en uiterst zeldzaam.

Astronomen hebben moeite gehad om deze absorbers te detecteren in enorme quasar-spectrale datasets met behulp van conventionele correlatiemethoden. "Het is als zoeken naar een speld in een hooiberg", zegt prof. Ge.

In 2015 werden 66 neutrale koolstofabsorbers ontdekt in de spectra van tienduizenden quasars die eerder door SDSS waren vrijgegeven, wat het grootste aantal verkregen monsters is.

In deze studie ontwierp en trainde het team van prof. Ge diepe neurale netwerken met een groot aantal gesimuleerde monsters van neutrale koolstofabsorptielijnen op basis van feitelijke waarnemingen. Door deze goed getrainde neurale netwerken toe te passen op de SDSS-III-gegevens ontdekte het team 107 uiterst zeldzame neutrale koolstofabsorbeerders, een verdubbeling van het aantal monsters verkregen in 2015, en detecteerde het meer zwakke signalen dan voorheen.

Door de spectra van talrijke neutrale koolstofabsorbers te stapelen, heeft het team het vermogen om de overvloed aan verschillende elementen te detecteren aanzienlijk verbeterd en het metaalverlies in gas veroorzaakt door stof direct gemeten.

De resultaten gaven aan dat deze vroege sterrenstelsels, die neutrale koolstofabsorberende sondes bevatten, een snelle fysische en chemische evolutie hebben ondergaan toen het universum nog maar ongeveer drie miljard jaar oud was (de huidige leeftijd van het universum is 13,8 miljard jaar). Deze sterrenstelsels kwamen in een stadium van evolutie terecht tussen de Grote Magelhaanse Wolk (LMC) en de Melkweg (MW), waarbij ze een aanzienlijke hoeveelheid metalen produceerden, waarvan sommige zich bonden om stofdeeltjes te vormen, wat leidde tot het waargenomen effect van rood worden van stof.

Deze ontdekking bevestigt onafhankelijk de recente bevindingen van de James Webb Space Telescope (JWST), die diamantachtig koolstofstof in de vroegste sterren in het heelal heeft gedetecteerd. Dit suggereert dat sommige sterrenstelsels veel sneller evolueren dan eerder werd verwacht, wat bestaande modellen van de vorming en evolutie van sterrenstelsels in twijfel trekt.

In tegenstelling tot de JWST die onderzoek doet via emissiespectra van sterrenstelsels, onderzoekt deze studie vroege sterrenstelsels door de absorptiespectra van quasars te observeren. Het toepassen van goed opgeleide neurale netwerken om neutrale koolstofabsorbeerders te vinden, biedt een nieuw hulpmiddel voor toekomstig onderzoek naar de vroege evolutie van het universum en sterrenstelsels, als aanvulling op de onderzoeksmethoden van de JWST.

"Het is noodzakelijk om innovatieve AI-algoritmen te ontwikkelen die zeldzame en zwakke signalen in enorme astronomische gegevens snel, nauwkeurig en uitgebreid kunnen onderzoeken", aldus prof. Ge.

Het team wil de in dit onderzoek geïntroduceerde methode voor beeldherkenning promoten door meerdere gerelateerde structuren te extraheren om kunstmatige 'multi-structuur'-beelden te creëren voor efficiënte training en detectie van zwakke beeldsignalen.