Ιδιαίτερη προσοχή έχει αφιερωθεί στην τεχνική μηχανικής εκμάθησης γνωστή ως «βαθιά μάθηση», όπου οι υπολογιστές είναι σε θέση να διακρίνουν τα μοτίβα στα δεδομένα χωρίς να έχουν προγραμματιστεί ειδικά για να το κάνουν. Τα τελευταία χρόνια, αυτή η τεχνική έχει εφαρμοστεί σε πολλές εφαρμογές, οι οποίες περιλαμβάνουν αναγνώριση φωνής και προσώπου για πλατφόρμες κοινωνικών μέσων όπως το Facebook.
Ωστόσο, οι αστρονόμοι επωφελούνται επίσης από τη βαθιά μάθηση, η οποία τους βοηθά να αναλύσουν εικόνες γαλαξιών και να κατανοήσουν πώς σχηματίζονται και εξελίσσονται. Σε μια νέα μελέτη, μια ομάδα διεθνών ερευνητών χρησιμοποίησε έναν αλγόριθμο βαθιάς μάθησης για να αναλύσει εικόνες γαλαξιών από το Διαστημικό τηλεσκόπιο Hubble. Αυτή η μέθοδος αποδείχθηκε αποτελεσματική στην ταξινόμηση αυτών των γαλαξιών με βάση το στάδιο στο οποίο εξελίχθηκαν.
Η μελέτη, με τίτλο «Βαθιά μάθηση προσδιορίζει τους γαλαξίες υψηλού ζ σε μια κεντρική μπλε φάση ψαρέματος σε ένα χαρακτηριστικό εύρος μάζας», πρόσφατα εμφανίστηκε στο διαδίκτυο και έγινε αποδεκτή για δημοσίευση στο Αστροφυσική Εφημερίδα. Η μελέτη διεξήχθη από τον Marc Huertes-Company του Πανεπιστημίου Paris Diderot και περιελάμβανε μέλη από το Πανεπιστήμιο Santa Cruz του Πανεπιστημίου της Καλιφόρνια (UCSC), το Εβραϊκό Πανεπιστήμιο, το Επιστημονικό Ινστιτούτο Διαστημικού Τηλεσκοπίου, το Πανεπιστήμιο της Πενσυλβανίας Φιλαδέλφεια, το MINES ParisTech και το Normal University της Σαγκάης (SNHU).
Στο παρελθόν, η Marc Huertas-Company έχει ήδη εφαρμόσει μεθόδους βαθιάς μάθησης Χαμπλ δεδομένα για χάρη της ταξινόμησης γαλαξιών. Σε συνεργασία με τον David Koo και τον Joel Primack, και οι δύο είναι ομότιμοι καθηγητές στο UC Santa Cruz (και με την υποστήριξη της Google), η Huertas-Company και η ομάδα πέρασαν τα τελευταία δύο καλοκαίρια αναπτύσσοντας ένα νευρωνικό δίκτυο που θα μπορούσε να εντοπίσει γαλαξίες σε διαφορετικά στάδια στην εξέλιξή τους.
"Αυτό το έργο ήταν μόνο μία από τις πολλές ιδέες που είχαμε", δήλωσε ο Koo σε πρόσφατο δελτίο τύπου του USCS. «Θέλαμε να επιλέξουμε μια διαδικασία την οποία οι θεωρητικοί μπορούν να ορίσουν με σαφήνεια με βάση τις προσομοιώσεις και που έχει να κάνει με το πώς φαίνεται ένας γαλαξίας και, στη συνέχεια, να τον αναζητήσει ο αλγόριθμος βαθιάς μάθησης στις παρατηρήσεις. Αρχίζουμε να διερευνούμε αυτόν τον νέο τρόπο έρευνας. Είναι ένας νέος τρόπος συγχώνευσης της θεωρίας και των παρατηρήσεων. "
Για χάρη της μελέτης τους, οι ερευνητές χρησιμοποίησαν προσομοιώσεις ηλεκτρονικών υπολογιστών για να δημιουργήσουν πλαστές εικόνες γαλαξιών, όπως θα έβλεπαν σε παρατηρήσεις του Διαστημικό τηλεσκόπιο Hubble. Οι πλαστές εικόνες χρησιμοποιήθηκαν για να εκπαιδεύσουν το νευρικό δίκτυο βαθιάς μάθησης για να αναγνωρίσουν τρεις βασικές φάσεις της εξέλιξης του γαλαξία που είχαν προηγουμένως προσδιοριστεί στις προσομοιώσεις. Οι ερευνητές στη συνέχεια χρησιμοποίησαν το δίκτυο για να αναλύσουν ένα μεγάλο σύνολο πραγματικών εικόνων Hubble.
Όπως και με προηγούμενες εικόνες που αναλύθηκαν από την Huertas-Company, αυτές οι εικόνες αποτελούν μέρος του έργου Κοσμικής Συνέλευσης του Χαμπλ Κοντά-υπέρυθρες Deep Extragalactic Legacy Survey (CANDELS) - το μεγαλύτερο έργο στην ιστορία της Διαστημικό τηλεσκόπιο Hubble. Αυτό που βρήκαν ήταν ότι οι ταξινομήσεις του προσομοιωμένου και πραγματικού γαλαξία του νευρικού δικτύου ήταν εξαιρετικά συνεπείς. Όπως εξήγησε ο Joel Primack:
«Δεν περιμέναμε να είναι τόσο επιτυχημένο. Με εκπλήσσει το πόσο ισχυρό είναι αυτό. Γνωρίζουμε ότι οι προσομοιώσεις έχουν περιορισμούς, επομένως δεν θέλουμε να ισχυριστούμε πολύ ισχυρά. Αλλά δεν πιστεύουμε ότι αυτό είναι απλώς ένα τυχερό κτύπημα. "
Η ερευνητική ομάδα ενδιαφερόταν ιδιαίτερα για τους γαλαξίες που έχουν μια μικρή, πυκνή περιοχή σχηματισμού αστεριών γνωστή ως «μπλε ψήγμα». Αυτές οι περιοχές εμφανίζονται νωρίς στην εξέλιξη των πλούσιων σε αέριο γαλαξιών, όταν μεγάλες ροές αερίου στο κέντρο ενός γαλαξία προκαλούν το σχηματισμό νέων αστεριών που εκπέμπουν μπλε φως. Για την προσομοίωση αυτών και άλλων τύπων γαλαξιών, η ομάδα βασίστηκε σε υπερσύγχρονες προσομοιώσεις VELA που αναπτύχθηκαν από την Primack και μια διεθνή ομάδα συνεργατών.
Και στα δεδομένα προσομοίωσης και παρατήρησης, το πρόγραμμα υπολογιστή διαπίστωσε ότι η φάση «μπλε ψήγμα» εμφανίζεται μόνο σε γαλαξίες με μάζες εντός ενός συγκεκριμένου εύρους. Ακολούθησε ο σχηματισμός αστεριών που τελείωσε στην κεντρική περιοχή, οδηγώντας στη συμπαγή φάση «κόκκινο ψήγμα», όπου τα αστέρια στην κεντρική περιοχή βγαίνουν από την κύρια φάση ακολουθίας τους και γίνονται κόκκινοι γίγαντες.
Η συνοχή του εύρους μάζας ήταν συναρπαστική, διότι έδειξε ότι το νευρικό δίκτυο προσδιορίζει ένα μοτίβο που προκύπτει από μια βασική φυσική διαδικασία σε πραγματικούς γαλαξίες - και χωρίς να χρειάζεται να τους πει να το πράξει. Όπως ανέφερε ο Koo, αυτή η μελέτη αποτελεί ένα μεγάλο βήμα προς τα εμπρός για την αστρονομία και την τεχνητή νοημοσύνη, αλλά πρέπει να γίνει πολλή έρευνα:
«Οι προσομοιώσεις VELA σημείωσαν μεγάλη επιτυχία όσον αφορά την κατανόηση των παρατηρήσεων του CANDELS. Κανείς όμως δεν έχει τέλειες προσομοιώσεις. Καθώς συνεχίζουμε αυτό το έργο, θα συνεχίσουμε να αναπτύσσουμε καλύτερες προσομοιώσεις. "
Για παράδειγμα, οι προσομοιώσεις της ομάδας δεν περιελάμβαναν το ρόλο που διαδραματίζει η Active Galactic Nuclei (AGN). Σε μεγαλύτερους γαλαξίες, το αέριο και η σκόνη συσσωρεύονται σε μια κεντρική μαύρη τρύπα Supermassive (SMBH) στον πυρήνα, η οποία προκαλεί την εκτόξευση αερίου και ακτινοβολίας σε τεράστιους πίδακες. Ορισμένες πρόσφατες μελέτες έχουν δείξει πώς αυτό μπορεί να έχει ανασταλτική επίδραση στο σχηματισμό αστεριών στους γαλαξίες.
Ωστόσο, παρατηρήσεις μακρινών, νεότερων γαλαξιών έχουν δείξει στοιχεία για το φαινόμενο που παρατηρείται στις προσομοιώσεις της ομάδας, όπου οι πυρήνες πλούσιοι σε αέρια οδηγούν στη φάση του μπλε ψήγματος. Σύμφωνα με τον Koo, η χρήση της βαθιάς μάθησης για τη μελέτη της γαλαξιακής εξέλιξης έχει τη δυνατότητα να αποκαλύψει προηγουμένως μη εντοπισμένες πτυχές των δεδομένων παρατήρησης. Αντί να παρατηρούν τους γαλαξίες ως στιγμιότυπα στο χρόνο, οι αστρονόμοι θα είναι σε θέση να προσομοιώσουν τον τρόπο με τον οποίο εξελίσσονται για δισεκατομμύρια χρόνια.
«Η βαθιά μάθηση αναζητά μοτίβα και η μηχανή μπορεί να δει μοτίβα τόσο πολύπλοκα που εμείς οι άνθρωποι δεν τα βλέπουμε», είπε. «Θέλουμε να κάνουμε πολύ περισσότερες δοκιμές αυτής της προσέγγισης, αλλά σε αυτή τη μελέτη απόδειξης της έννοιας, η μηχανή φάνηκε να βρει με επιτυχία στα δεδομένα τα διάφορα στάδια της εξέλιξης του γαλαξία που εντοπίστηκαν στις προσομοιώσεις».
Στο μέλλον, οι αστρονόμοι θα έχουν περισσότερα δεδομένα παρατήρησης για ανάλυση, χάρη στην ανάπτυξη των τηλεσκοπίων επόμενης γενιάς όπως το Μεγάλο Τηλεσκόπιο Συνοπτικής Έρευνας (LSST), το Διαστημικό τηλεσκόπιο James Webb (JWST), και το Τηλεσκόπιο έρευνας υπερύθρων ευρείας περιοχής (WFIRST). Αυτά τα τηλεσκόπια θα παρέχουν ακόμη πιο ογκώδη σύνολα δεδομένων, τα οποία μπορούν στη συνέχεια να αναλυθούν με μεθόδους μηχανικής μάθησης για να προσδιοριστεί ποια μοτίβα υπάρχουν.
Αστρονομία και τεχνητή νοημοσύνη, που συνεργάζονται για την καλύτερη κατανόηση του Σύμπαντος. Αναρωτιέμαι αν θα πρέπει να το θέσουμε και να βρούμε μια Θεωρία των πάντων (ToE)!
