Menselijke inspectie versus machinaal leren

Tientallen jaren hebben theoretische modellen gesuggereerd dat zwarte gaten groeien wanneer sterrenstelsels samensmelten. Astrofysici die het verband tussen het samensmelten van sterrenstelsels en de groei van zwarte gaten al vele jaren bestuderen, hebben deze modellen echter uitgedaagd met een simpele vraag:hoe kunnen we op betrouwbare wijze samensmeltingen van sterrenstelsels identificeren?

Visuele inspectie is de meest gebruikte methode. Menselijke classificatoren – experts of gewone mensen – observeren sterrenstelsels en identificeren hoge asymmetrieën of lange getijdenstaarten (dunne, langwerpige gebieden van sterren en interstellair gas die zich uitstrekken tot in de ruimte), die beide verband houden met het samensmelten van sterrenstelsels.

Deze observatiemethode is echter zowel tijdrovend als onbetrouwbaar, omdat mensen gemakkelijk fouten kunnen maken in hun classificaties. Als gevolg hiervan leveren fusiestudies vaak tegenstrijdige resultaten op.

Voor het nieuwe, door Bath geleide onderzoek hebben de onderzoekers zichzelf de uitdaging gesteld om de manier waarop fusies worden geclassificeerd te verbeteren door het verband tussen de groei van zwarte gaten en de evolutie van sterrenstelsels te bestuderen met behulp van kunstmatige intelligentie.

Geïnspireerd door het menselijk brein

Ze trainden een neuraal netwerk (een subset van machinaal leren geïnspireerd door het menselijk brein en die de manier nabootst waarop biologische neuronen naar elkaar signaleren) op gesimuleerde samensmeltingen van sterrenstelsels, en pasten dit model vervolgens toe op sterrenstelsels die in de kosmos worden waargenomen.

Door dit te doen, konden ze fusies identificeren zonder menselijke vooroordelen en het verband bestuderen tussen de fusies van sterrenstelsels en de groei van zwarte gaten. Ze toonden aan dat het neurale netwerk beter presteert dan menselijke classificatoren bij het identificeren van fusies, en in feite hebben menselijke classificatoren de neiging reguliere sterrenstelsels voor fusies aan te zien.

Door deze nieuwe methodologie toe te passen, konden de onderzoekers aantonen dat fusies niet sterk geassocieerd zijn met de groei van zwarte gaten. Fusiesignaturen komen even vaak voor in sterrenstelsels met als zonder superzware zwarte gaten.

Met behulp van een extreem grote steekproef van ongeveer 8.000 aangroeiende zwart-gatsystemen – waardoor het team de vraag veel gedetailleerder kon bestuderen – werd ontdekt dat fusies alleen in een heel specifiek type sterrenstelsels tot de groei van zwarte gaten leidden:stervorming. sterrenstelsels die aanzienlijke hoeveelheden koud gas bevatten.

Hieruit blijkt dat het samensmelten van sterrenstelsels alleen niet voldoende is om zwarte gaten van brandstof te voorzien:er moeten ook grote hoeveelheden koud gas aanwezig zijn om het zwarte gat te laten groeien.

Avirett-Mackenzie zei:‘Als sterrenstelsels sterren willen vormen, moeten ze koude gaswolken bevatten die in staat zijn in te storten tot sterren. Hoogenergetische processen zoals superzware aanwas van zwarte gaten verhitten dit gas, waardoor het te energiek wordt om in te storten of het op te blazen. uit de melkweg."

Ze voegde eraan toe:‘Op een heldere nacht kun je dit proces bijna in realtime zien gebeuren met de Orionnevel – een groot stervormingsgebied in onze Melkweg en het dichtst in zijn soort bij de aarde – waar je enkele sterren kunt zien. sterren die onlangs zijn gevormd en andere die zich nog steeds vormen."

Dr. Carolin Villforth, hoofddocent bij het Departement Natuurkunde en de supervisor van Avirett-Mackenzie in Bath, zei:"Tot nu toe bestudeerde iedereen fusies op dezelfde manier:door middel van visuele classificatie. Met deze methode, waarbij deskundige classificaties worden gebruikt die meer kunnen ontdekken subtiele kenmerken konden we slechts een paar honderd sterrenstelsels bekijken, niet meer.

‘Het gebruik van machinaal leren opent een geheel nieuw en heel spannend veld waar je duizenden sterrenstelsels tegelijk kunt analyseren. Je krijgt consistente resultaten over hele grote monsters, en op elk willekeurig moment kun je naar veel verschillende eigenschappen van een zwarte kijken. gat."

Meer informatie: M S Avirett-Mackenzie et al, Een verbetering na de fusie alleen in stervormende Type 2 Seyfert-sterrenstelsels:de diepgaande leervisie, Maandelijkse mededelingen van de Royal Astronomical Society (2024). DOI:10.1093/mnras/stae183

Aangeboden door Universiteit van Bath