Paljon huomiota on kiinnitetty syväksi oppimiseksi kutsuttuun koneoppimistekniikkaan, jossa tietokoneet kykenevät havaitsemaan tietomallit ilman, että niitä on erityisesti ohjelmoitu tekemään niin. Viime vuosina tätä tekniikkaa on sovellettu useisiin sovelluksiin, joihin kuuluu ääni- ja kasvojentunnistus sosiaalisen median alustoille kuten Facebook.
Tähtitieteilijät hyötyvät kuitenkin myös syvällisestä oppimisesta, joka auttaa heitä analysoimaan galaksien kuvia ja ymmärtämään niiden muodostumista ja kehittymistä. Uudessa tutkimuksessa ryhmä kansainvälisiä tutkijoita käytti syvän oppimisalgoritmin avulla galaksien kuvien analysointia Hubble-avaruuskaukoputki. Tämä menetelmä osoittautui tehokkaaksi luokittelemalla nämä galaksit sen perusteella, missä vaiheessa ne olivat evoluutiossaan.
Tutkimus, jonka otsikko on ”Syvä oppiminen identifioi korkean z-galaksit keskisinisessä sinisen Nugget-vaiheen luonteenomaisessa joukossa”, ilmestyi äskettäin verkossa, ja se on hyväksytty julkaistavaksi Astrophysical Journal. Tutkimusta johti Marc Huertes -yhtiö Pariisin Diderot-yliopistosta. Tutkimukseen osallistui jäseniä Kalifornian yliopistosta Santa Cruzista (UCSC), Heprealaisesta yliopistosta, Avaruusteleskooppitekniikan instituutista, Pennsylvanian Philadelphian yliopistosta, MINES ParisTech -tapahtumasta ja Shanghain normaalista yliopistosta. (SNHU).
Marc Huertas-Company on aiemmin soveltanut syvän oppimisen menetelmiä Hubble tiedot galaksiluokituksen vuoksi. Yhteistyössä David Koon ja Joel Primackin kanssa, jotka molemmat ovat UC Santa Cruzin emeritusprofessoreita (ja Googlen tuella), Huertas-Company ja joukkue viettivät kaksi viimeistä kesää kehittämällä neuroverkon, joka pystyisi tunnistamaan galaksit eri vaiheissa heidän evoluutiossaan.
"Tämä projekti oli vain yksi monista ideoista, joita meillä oli", kertoi Koo äskettäisessä USCS: n lehdistötiedotteessa. ”Halusimme valita prosessin, jonka teoreetikot voivat selkeästi määritellä simulaatioiden perusteella ja jolla on jotain tekemistä sen kanssa, miten galaksi näyttää, sitten syvän oppimisalgoritmin etsiä sitä havainnoissa. Olemme vasta alkamassa tutkia tätä uutta tapaa tehdä tutkimusta. Se on uusi tapa sulauttaa teoriaa ja havaintoja. "
Tutkimuksensa vuoksi tutkijat käyttivät tietokonesimulaatioilla galaksien mallikuvien luomista, koska ne näyttäisivät Hubble-avaruuskaukoputki. Mock-kuvia käytettiin syvän oppimisen hermoverkon kouluttamiseen tunnistamaan galaksien evoluution kolme avainvaihetta, jotka oli aiemmin tunnistettu simulaatioissa. Sitten tutkijat analysoivat verkkoa suuren joukon todellisia Hubble-kuvia.
Kuten aiemmissa Huertas-Company -yrityksen analysoimissa kuvissa, myös nämä kuvat ovat osa Hubblen kosmisessa kokoonpanossa lähi-infrapuna-syvän extragalaktisen perintötutkimuksen (CANDELS) projektia - suurin projekti historian historiassa Hubble-avaruuskaukoputki. He löysivät, että hermoverkon luokitukset simuloiduista ja oikeista galakseista olivat huomattavan johdonmukaisia. Kuten Joel Primack selitti:
”Emme odottaneet, että se olisi niin onnistunut. Olen hämmästynyt siitä, kuinka voimakas tämä on. Tiedämme, että simulaatioilla on rajoituksia, joten emme halua esittää liian voimakasta vaatimusta. Mutta emme usko, että tämä on vain onnekas fluke. "
Tutkimusryhmä oli erityisen kiinnostunut galakseista, joilla on pieni, tiheä, tähtiä muodostava alue, joka tunnetaan nimellä “sininen huppari”. Nämä alueet esiintyvät varhaisessa vaiheessa kaasurikasten galaksien evoluutiossa, kun suuret kaasuvirrat galaksin keskipisteeseen aiheuttavat sinistä valoa säteilevien nuorten tähtien muodostumisen. Näiden ja muun tyyppisten galaksien simuloimiseksi ryhmä luotiin Primackin ja kansainvälisen yhteistyökumppanien kehittämiin huipputeknisiin VELA-simulaatioihin.
Sekä simuloidussa että havainnointitiedossa tietokoneohjelma havaitsi, että ”sininen nugget” -vaihe esiintyy vain galakseissa, joiden massat ovat tietyllä alueella. Tätä seurasi tähtien muodostuminen, joka päättyy keskialueelle, johtaen kompaktiin “punaisen hupun” vaiheeseen, jossa keskialueella olevat tähdet poistuvat pääsekvenssivaiheestaan ja niistä tulee punaisia jättiläisiä.
Massa-alueen johdonmukaisuus oli jännittävää, koska se osoitti, että hermoverkko tunnisti kuvion, joka johtuu avainasemassa olevasta fyysisestä prosessista oikeissa galakseissa - ja ilman, että hänelle on annettava erityistä käskyä tehdä niin. Kuten Koo totesi, tämä tutkimus on iso askel eteenpäin tähtitieteen ja AI: n suhteen, mutta paljon tutkimusta on vielä tehtävä:
”VELA-simulaatioilla on ollut paljon menestystä siinä, että autamme ymmärtämään CANDELS-havaintoja. Kukaan ei kuitenkaan ole täydellisiä simulaatioita. Jatkamalla tätä työtä kehitämme entistä parempia simulaatioita. ”
Esimerkiksi ryhmän simulaatioihin ei sisältynyt aktiivisen galaktisen ytimen (AGN) roolia. Suuremmissa galakseissa kaasu ja pöly kerääntyy ytimen keskeiseen supermassiiviseen mustaan reikään (SMBH), joka aiheuttaa kaasun ja säteilyn purkautumisen valtavissa suihkukoneissa. Jotkut äskettäiset tutkimukset ovat osoittaneet, kuinka tällä voi olla pysäyttävä vaikutus tähdejen muodostumiseen galakseissa.
Etäisten, nuorempien galaksien havainnot ovat kuitenkin osoittaneet ryhmän simulaatioissa havaittua ilmiötä, jossa kaasurikkaat ytimet johtavat siniseen hupun vaiheeseen. Koon mukaan syvän oppimisen avulla galaktisen evoluution tutkimiseksi on mahdollista paljastaa havainnointitiedoissa aiemmin havaitsemattomia näkökohtia. Sen sijaan, että havaitsisi galakseja otoksina ajoissa, tähtitieteilijät voivat simuloida niiden kehitystä miljardien vuosien aikana.
"Syvä oppiminen etsii malleja, ja kone pystyy näkemään malleja, jotka ovat niin monimutkaisia, että me ihmiset emme näe niitä", hän sanoi. "Haluamme testata paljon enemmän tätä lähestymistapaa, mutta tässä konseptitutkimuksen tutkimuksessa kone näytti löytävän onnistuneesti tiedoista simulaatioissa identifioidut galaksien evoluution eri vaiheet."
Tulevaisuudessa tähtitieteilijöillä on enemmän havaintotietoja analysoitavaksi seuraavan sukupolven teleskooppien käyttöönoton ansiosta Suuri Synoptic Survey-teleskooppi (LSST), James Webbin avaruuskaukoputki (JWST) ja Laajakenttäinen infrapunakaukoputki (WFIRST). Nämä kaukoputket tarjoavat entistä massiivisempia tietokokonaisuuksia, joita voidaan sitten analysoida koneoppimismenetelmillä olemassa olevien kuvioiden määrittämiseksi.
Tähtitiede ja tekoäly työskentelevät yhdessä ymmärtääksesi paremmin maailmankaikkeutta. Mietin, pitäisikö meidän asettaa se myös kaiken teorian löytämisen tehtävälle!
