“Derin öğrenme” olarak bilinen ve bilgisayarların bunu yapmak için özel olarak programlanmadan verilerdeki kalıpları ayırt edebildiği makine öğrenme tekniğine çok dikkat edildi. Son yıllarda, bu teknik, Facebook gibi sosyal medya platformları için ses ve yüz tanımayı içeren bir dizi uygulamaya uygulanmıştır.
Bununla birlikte, gökbilimciler, galaksilerin görüntülerini analiz etmelerine ve nasıl şekillendiklerini ve geliştiklerini anlamalarına yardımcı olan derin öğrenmeden de yararlanmaktadır. Yeni bir çalışmada, uluslararası araştırmacılardan oluşan bir ekip, gökadaların görüntülerini analiz etmek için derin bir öğrenme algoritması kullandı. Hubble uzay teleskobu. Bu yöntemin, bu galaksileri evrimlerinde hangi aşamada olduklarına göre sınıflandırmada etkili olduğu kanıtlanmıştır.
“Derin Öğrenme, Karakteristik Kütle Aralığı İçinde Merkezi Bir Mavi Nugget Aşamasındaki Yüksek-Z Gökadaları Belirliyor” başlıklı çalışma, yakın zamanda çevrimiçi olarak ortaya çıktı ve Astrofizik Dergisi. Çalışma Paris Diderot Üniversitesi'nden Marc Huertes Şirketi tarafından yönetildi ve California Santa Cruz Üniversitesi (UCSC), İbrani Üniversitesi, Uzay Teleskopu Bilim Enstitüsü, Pennsylvania Üniversitesi, MINES ParisTech ve Şangay Normal Üniversitesi'nden üyeleri içeriyordu. (SNHU).
Geçmişte, Marc Huertas-Company zaten derin öğrenme yöntemleri uygulamıştır Hubble galaksi sınıflandırması uğruna veriler. Her ikisi de UC Santa Cruz'da (ve Google'ın desteğiyle) profesör emeritus olan David Koo ve Joel Primack ile işbirliği içinde, Huertas-Company ve ekibi son iki yaz ayını farklı aşamalardaki gökadaları tanımlayabilen bir sinir ağı geliştirerek geçirdi onların evriminde.
Yakın tarihli USCS basın bülteninde Koo, “Bu proje sahip olduğumuz birkaç fikirden sadece biriydi” dedi. “Teorisyenlerin simülasyonlara dayanarak açıkça tanımlayabilecekleri bir süreç seçmek istedik ve bunun bir galaksinin nasıl göründüğü ile ilgisi var, sonra derin öğrenme algoritmasının gözlemlerde onu aramasını sağladık. Bu yeni araştırma yöntemini keşfetmeye yeni başlıyoruz. Teori ve gözlemleri eritmenin yeni bir yolu. ”
Araştırmacılar, araştırmaları için, galaksilerin sahte görüntülerini oluşturmak için bilgisayar simülasyonlarını kullandılar. Hubble uzay teleskobu. Sahte görüntüler, derin öğrenme sinir ağını, daha önce simülasyonlarda tanımlanan galaksi evriminin üç temel aşamasını tanımak için eğitmek için kullanıldı. Araştırmacılar daha sonra ağı, çok sayıda gerçek Hubble görüntüsünü analiz etmek için kullandılar.
Huertas-Company tarafından analiz edilen önceki görüntülerde olduğu gibi, bu görüntüler de Hubble’ın Kozmik Meclisi Yakın Kızılötesi Derin Ekstragalaktik Eski Araştırma (CANDELS) projesinin bir parçası - Hubble uzay teleskobu. Buldukları şey, sinir ağının simüle edilmiş ve gerçek gökada sınıflandırmalarının oldukça tutarlı olduğuydı. Joel Primack'in açıkladığı gibi:
“Bunun o kadar başarılı olmasını beklemiyorduk. Bunun ne kadar güçlü olduğuna şaşırdım. Simülasyonların sınırlamaları olduğunu biliyoruz, bu yüzden çok güçlü bir iddiada bulunmak istemiyoruz. Ancak bunun sadece şanslı bir şans olduğunu düşünmüyoruz. ”
Araştırma ekibi özellikle “mavi külçe” olarak bilinen küçük, yoğun, yıldız oluşturan bir bölgeye sahip galaksilerle ilgileniyordu. Bu bölgeler, bir galaksinin merkezine büyük gaz akışlarının mavi ışık yayan genç yıldızların oluşumuna neden olduğu, gaz bakımından zengin galaksilerin evriminde erken ortaya çıkar. Bunları ve diğer gökada türlerini simüle etmek için ekip, Primack ve uluslararası bir işbirliği ekibi tarafından geliştirilen son teknoloji VELA simülasyonlarına güvendi.
Hem simüle edilmiş hem de gözlemsel verilerde, bilgisayar programı “mavi külçe” aşamasının sadece belirli bir aralıkta kütleleri olan galaksilerde meydana geldiğini buldu. Bunu, orta bölgedeki yıldızların ana dizi fazından çıkıp kırmızı devler haline geldiği kompakt “kırmızı külçe” aşamasına götüren merkezi bölgede biten yıldız oluşumu izledi.
Kitle aralığının tutarlılığı heyecan vericiydi, çünkü sinir ağının gerçek galaksilerdeki önemli bir fiziksel süreçten kaynaklanan ve özel olarak söylenmesi gerekmeden bir deseni tanımladığını gösterdi. Koo'nun belirttiği gibi, bu çalışma astronomi ve yapay zeka için ileriye doğru atılmış büyük bir adım, ancak yine de çok fazla araştırma yapılması gerekiyor:
“VELA simülasyonları, CANDELS gözlemlerini anlamamıza yardımcı olma konusunda çok başarılı oldu. Kimse mükemmel simülasyonlara sahip değil. Bu çalışmaya devam ettikçe daha iyi simülasyonlar geliştirmeye devam edeceğiz. ”
Örneğin, ekibin simülasyonları Aktif Galaktik Çekirdeklerin (AGN) oynadığı rolü içermiyordu. Daha büyük gökadalarda, gaz ve toz çekirdekteki merkezi bir Supermassive Kara Delik (SMBH) üzerine birikir, bu da büyük jetlerde gaz ve radyasyonun atılmasına neden olur. Son zamanlarda yapılan bazı çalışmalar, bunun galaksilerdeki yıldız oluşumu üzerinde nasıl nasıl durdurulabileceğini göstermiştir.
Bununla birlikte, uzak, daha genç gökadaların gözlemleri, takımın benzetiminde gözlemlenen ve gaz bakımından zengin çekirdeklerin mavi külçe aşamasına yol açtığı fenomene dair kanıtlar göstermiştir. Koo'ya göre, galaktik evrimi incelemek için derin öğrenmenin kullanılması, gözlemsel verilerin önceden tespit edilmemiş yönlerini ortaya çıkarma potansiyeline sahiptir. Gökbilimcileri zaman içinde anlık görüntü olarak gözlemlemek yerine, gökbilimciler milyarlarca yıl içinde nasıl geliştiklerini simüle edebileceklerdir.
“Derin öğrenme kalıpları arar ve makine o kadar karmaşık kalıpları görebilir ki biz onları göremeyiz” dedi. “Bu yaklaşımı çok daha fazla test etmek istiyoruz, ancak bu kavram kanıtı çalışmasında, makine, simülasyonlarda belirlenen galaksi evriminin farklı aşamalarını verilerde başarılı bir şekilde buldu.”
Gelecekte, gökbilimciler gibi yeni nesil teleskopların konuşlandırılması sayesinde analiz etmek için daha fazla gözlem verisine sahip olacaklar. Büyük Sinoptik Araştırma Teleskopu (LSST), James Webb Uzay Teleskopu (JWST) ve Geniş Alan Kızılötesi Araştırma Teleskopu (WFIRST). Bu teleskoplar daha da büyük veri kümeleri sunacak ve bunlar daha sonra hangi modellerin var olduğunu belirlemek için makine öğrenme yöntemleri ile analiz edilebilir.
Astronomi ve yapay zeka, Evreni daha iyi anlamak için birlikte çalışıyor. Acaba her şeyi bir Teori (ToE) bulma görevine de koymalıyız!
