Didelis dėmesys buvo skirtas mašininio mokymosi technikai, vadinamai „giluminiu mokymusi“, kai kompiuteriai geba įžvelgti duomenų modelius, nebūdami specialiai užprogramuoti. Pastaraisiais metais ši technika buvo taikoma daugelyje programų, įskaitant balso ir veido atpažinimą tokiose socialinės žiniasklaidos platformose kaip „Facebook“.
Tačiau astronomai taip pat gauna naudos iš gilaus mokymosi, kuris jiems padeda analizuoti galaktikų vaizdus ir suprasti, kaip jie formuojasi ir vystosi. Atlikdama naują tyrimą, tarptautinių tyrėjų komanda panaudojo gilaus mokymosi algoritmą, kad išanalizuotų galaktikų vaizdus iš Hablo kosminis teleskopas. Šis metodas pasirodė esąs veiksmingas klasifikuojant šias galaktikas atsižvelgiant į tai, kurioje stadijoje jos buvo.
Tyrimas, pavadintas „Gilus mokymasis atpažįsta aukšto lygio galaktikas centrinėje mėlynojo grynuolio fazėje būdingoje masės diapazone“, neseniai pasirodė internete ir buvo priimtas paskelbti Astrofizinis žurnalas. Tyrimui vadovavo Marc Huertes-Paryžiaus „Diderot“ universiteto įmonė. Tyrime dalyvavo nariai iš Kalifornijos Santa Kruso universiteto (UCSC), Hebrajų universiteto, Kosminio teleskopo mokslo instituto, Pensilvanijos universiteto Filadelfijoje, MINES ParisTech ir Normaliojo Šanchajaus universiteto. (SNHU).
Anksčiau Marcas Huertasas jau pritaikė giluminio mokymosi metodus Hablas duomenys galaktikų klasifikavimo tikslais. Bendradarbiaudami su Davidu Koo ir Joeliu Primacku, kurie abu yra „UC Santa Cruz“ profesionalai emeritai (ir palaikydami „Google“), „Huertas-Company“ ir komanda praleido dvi pastarąsias vasaras kurdami neuroninį tinklą, kuris galėtų atpažinti galaktikas skirtingais etapais. jų evoliucijoje.
„Šis projektas buvo tik viena iš kelių mūsų idėjų“, - sakė Koo neseniai paskelbtame USCS pranešime spaudai. „Mes norėjome pasirinkti procesą, kurį teoretikai gali aiškiai apibrėžti remdamiesi modeliavimu ir kuris turi ką nors bendro su tuo, kaip atrodo galaktika, tada gilaus mokymosi algoritmas turėtų jo ieškoti stebėjimuose. Mes tik pradedame ieškoti šio naujo tyrimo būdų. Tai yra naujas būdas sujungti teoriją ir pastebėjimus. “
Tyrimo tikslais tyrėjai naudojo kompiuterinį modeliavimą, norėdami sukurti galaktikų atvaizdus, kaip jie atrodys stebint Hablo kosminis teleskopas. Paveikslėlių vaizdai buvo naudojami mokyti giluminio mokymosi neuroninį tinklą atpažinti tris pagrindinius galaktikų evoliucijos etapus, kurie anksčiau buvo nustatyti modeliavime. Tada tyrėjai pasinaudojo tinklu, norėdami išanalizuoti didelį faktinių Hablo vaizdų rinkinį.
Kaip ir ankstesni „Huertas-Company“ analizuoti vaizdai, šie vaizdai yra Hablo kosminės asamblėjos projekto, veikiančio šalia infraraudonųjų spindulių giluminio ekstragalaktinio palikimo tyrimo (CANDELS), projektas - didžiausias projektas istorijoje Hablo kosminis teleskopas. Jie išsiaiškino, kad nervų tinklo klasifikuojamos imituotos ir tikros galaktikos buvo nepaprastai nuoseklios. Kaip paaiškino Joelis Primackas:
„Mes nesitikėjome, kad viskas bus taip sėkmingai. Mane stebina, koks tai galingas vaidmuo. Mes žinome, kad modeliavimas turi trūkumų, todėl nenorime reikšti per daug tvirtų teiginių. Bet mes nemanome, kad tai tik laimingas fluke “.
Tyrėjų komanda ypač domėjosi galaktikomis, turinčiomis mažą, tankų, žvaigždžių formavimo regioną, žinomą kaip „mėlynasis grynuolis“. Šie regionai atsiranda ankstyvoje dujomis turtingų galaktikų evoliucijos pradžioje, kai dideli dujų srautai į galaktikos centrą sukelia jaunų žvaigždžių, skleidžiančių mėlyną šviesą, susidarymą. Imituoti šiuos ir kitus galaktikų tipus, komanda rėmėsi moderniausiais VELA modeliavimais, kuriuos sukūrė „Primack“ ir tarptautinė bendradarbių komanda.
Tiek imituotuose, tiek stebimuose duomenyse kompiuterinė programa nustatė, kad „mėlynojo grynuolio“ fazė įvyksta tik galaktikose, kurių masės yra tam tikrame diapazone. Po to žvaigždžių formavimasis pasibaigė centriniame regione, vedantis į kompaktišką „raudonojo grynuolio“ fazę, kur žvaigždės centriniame regione išeina iš pagrindinės sekos fazės ir tampa raudonaisiais milžinais.
Masės diapazono nuoseklumas buvo jaudinantis, nes jis parodė, kad nervų tinklas nustato modelį, kurį lemia pagrindinis fizinis procesas tikrose galaktikose - ir nereikia tam specialiai sakyti. Kaip nurodė Koo, šis tyrimas yra didelis žingsnis į priekį astronomijos ir AI srityje, tačiau dar reikia atlikti daug tyrimų:
„VELA modeliavimas turėjo daug sėkmės, nes padėjo mums suprasti CANDELS stebėjimus. Vis dėlto niekas neturi tobulų modeliavimų. Tęsdami šį darbą toliau tobulinsime geresnius modeliavimus. “
Pavyzdžiui, į komandos simuliacijas nebuvo įtrauktas aktyvaus galaktikos branduolio (AGN) vaidmuo. Didesnėse galaktikose dujos ir dulkės kaupiasi ant centrinės supermasyviosios juodosios skylės (SMBH), esančios ties šerdimi, todėl dujos ir radiacija išmetamos į didžiulius purkštukus. Kai kurie naujausi tyrimai parodė, kaip tai gali sulaikyti žvaigždžių susidarymą galaktikose.
Tačiau tolimų, jaunesnių galaktikų stebėjimai parodė reiškinį, stebėtą komandos simuliacijose, kai dujomis turtingos šerdies veda į mėlynosios grynuolės fazę. Anot Koo, naudojant gilųjį mokymąsi tyrinėti galaktikos evoliuciją, galima atskleisti anksčiau nepastebėtus stebėjimo duomenų aspektus. Užuot stebėję galaktikas kaip momentinius vaizdus, astronomai galės modeliuoti, kaip jie vystosi per milijardus metų.
„Gilus mokymasis reikalauja modelių, o mašina gali pamatyti tokius sudėtingus modelius, kad mes, žmonės, jų nematome“, - sakė jis. „Mes norime atlikti daug daugiau šio požiūrio bandymų, tačiau atlikus koncepcijos įrodymą, atrodė, kad mašina sėkmingai randa duomenis skirtinguose galaktikų evoliucijos etapuose, nustatytuose modeliavime“.
Ateityje astronomai turės daugiau stebėjimo duomenų, kuriuos bus galima analizuoti dėka tokios kartos teleskopų kaip Didelis apžvalgos teleskopas (LSST), Džeimso Webbo kosminis teleskopas (JWST) ir Plačiajuostis infraraudonųjų spindulių teleskopas (WFIRST). Šie teleskopai pateiks dar daugiau masyvių duomenų rinkinių, kuriuos vėliau bus galima analizuoti mašininio mokymosi metodais, siekiant nustatyti egzistuojančius modelius.
Astronomija ir dirbtinis intelektas, dirbantys kartu, kad geriau suprastume Visatą. Įdomu, ar turėtume tai prisiimti ir surasti visko teoriją (TOE)!
