Un método de aprendizaje automático llamado "aprendizaje profundo", que se ha utilizado ampliamente en el reconocimiento facial y otras aplicaciones de reconocimiento de imagen y habla, ha demostrado ser prometedor para ayudar a los astrónomos a analizar imágenes de galaxias y comprender cómo se forman y evolucionan.
En un nuevo estudio, aceptado para publicación en Revista astrofísica y disponible en línea, los investigadores utilizaron simulaciones por computadora de la formación de galaxias para entrenar un algoritmo de aprendizaje profundo, que luego resultó sorprendentemente bueno para analizar imágenes de galaxias desde el Telescopio Espacial Hubble.
Los investigadores utilizaron los resultados de las simulaciones para generar imágenes simuladas de galaxias simuladas como lo verían en las observaciones del Telescopio Espacial Hubble. Las imágenes simuladas se utilizaron para entrenar el sistema de aprendizaje profundo para reconocer tres fases clave de la evolución de las galaxias previamente identificadas enlas simulaciones. Luego, los investigadores le dieron al sistema un gran conjunto de imágenes reales de Hubble para clasificar.
Los resultados mostraron un notable nivel de consistencia en las clasificaciones de la red neuronal de galaxias simuladas y reales.
"No esperábamos que fuera tan exitoso. Estoy sorprendido de lo poderoso que es esto", dijo el coautor Joel Primack, profesor emérito de física y miembro del Instituto Santa Cruz de Física de Partículas SCIPP en la UCSanta Cruz: "Sabemos que las simulaciones tienen limitaciones, por lo que no queremos hacer un reclamo demasiado fuerte. Pero no creemos que sea solo una casualidad afortunada".
Las galaxias son fenómenos complejos, que cambian su apariencia a medida que evolucionan durante miles de millones de años, y las imágenes de galaxias solo pueden proporcionar instantáneas en el tiempo. Los astrónomos pueden mirar más profundamente en el universo y, por lo tanto, "retroceder en el tiempo" para ver galaxias anteriores debido ael tiempo que tarda la luz en recorrer distancias cósmicas, pero seguir la evolución de una galaxia individual a lo largo del tiempo solo es posible en simulaciones. La comparación de galaxias simuladas con galaxias observadas puede revelar detalles importantes de las galaxias reales y sus historias probables.
En el nuevo estudio, los investigadores estaban particularmente interesados en un fenómeno visto en las simulaciones al principio de la evolución de las galaxias ricas en gas, cuando grandes flujos de gas en el centro de una formación de combustible de galaxia de una pequeña, densa, estrella-región de formación llamada "pepita azul". Las estrellas jóvenes y calientes emiten longitudes de onda cortas "azules" de luz, por lo que el azul indica una galaxia con formación estelar activa, mientras que las estrellas más frías y viejas emiten más luz "roja".
En los datos de observación y simulados, el programa de computadora descubrió que la fase de "pepita azul" solo ocurre en galaxias con masas dentro de cierto rango. Esto es seguido por el enfriamiento de la formación de estrellas en la región central, lo que lleva a un rojo compacto "fase "pepita". La consistencia del rango de masa fue un hallazgo emocionante, porque sugiere que el algoritmo de aprendizaje profundo está identificando por sí solo un patrón que resulta de un proceso físico clave que ocurre en galaxias reales.
"Puede ser que en cierto rango de tamaño, las galaxias tengan la masa adecuada para que este proceso físico ocurra", dijo el coautor David Koo, profesor emérito de astronomía y astrofísica en la Universidad de California en Santa Cruz.
Los investigadores utilizaron simulaciones de galaxias de última generación las simulaciones VELA desarrolladas por Primack y un equipo internacional de colaboradores, incluidos Daniel Ceverino Universidad de Heidelberg, que realizó las simulaciones, y Avishai Dekel Universidad Hebrea, quienes lideraron el análisis e interpretación de ellos y desarrollaron nuevos conceptos físicos basados en ellos. Sin embargo, todas esas simulaciones son limitadas en su capacidad para capturar la física compleja de la formación de galaxias.
En particular, las simulaciones utilizadas en este estudio no incluyeron la retroalimentación de los núcleos galácticos activos la inyección de energía de la radiación a medida que el gas es acumulado por un agujero negro supermasivo central. Muchos astrónomos consideran que este proceso es un factor importante que regula la formación de estrellasen galaxias. Sin embargo, las observaciones de galaxias lejanas y jóvenes parecen mostrar evidencia del fenómeno que conduce a la fase de pepita azul que se ve en las simulaciones.
Para los datos de observación, el equipo utilizó imágenes de galaxias obtenidas a través del proyecto CANDELS Encuesta de legado extragaláctico profundo infrarrojo cercano de la Asamblea Cósmica, el proyecto más grande en la historia del Telescopio Espacial Hubble. Primer autor Marc Huertas-Company, unEl astrónomo del Observatorio de París y de la Universidad Paris Diderot ya había realizado un trabajo pionero aplicando métodos de aprendizaje profundo a las clasificaciones de galaxias utilizando datos de CANDELS disponibles públicamente.
Koo, un co-investigador de CANDELS, invitó a Huertas-Company a visitar UC Santa Cruz para continuar este trabajo. Google ha brindado apoyo para su trabajo de aprendizaje profundo en astronomía a través de donaciones de fondos de investigación a Koo y Primack, permitiendo a Huertas-Companypasar los últimos dos veranos en Santa Cruz, con planes para otra visita en el verano de 2018.
"Este proyecto fue solo una de varias ideas que teníamos", dijo Koo. "Queríamos elegir un proceso que los teóricos puedan definir claramente en función de las simulaciones, y que tenga algo que ver con la apariencia de una galaxia, luego tener elel algoritmo de aprendizaje profundo lo busca en las observaciones. Recién estamos comenzando a explorar esta nueva forma de hacer investigación. Es una nueva forma de fusionar la teoría y las observaciones ".
Durante años, Primack ha estado trabajando estrechamente con Koo y otros astrónomos en UC Santa Cruz para comparar las simulaciones de formación y evolución de galaxias de su equipo con las observaciones de CANDELS. "Las simulaciones VELA han tenido mucho éxito en términos de ayudarnos a comprenderlas observaciones de CANDELS ", dijo Primack." Sin embargo, nadie tiene simulaciones perfectas. A medida que continuamos este trabajo, seguiremos desarrollando mejores simulaciones ".
Según Koo, el aprendizaje profundo tiene el potencial de revelar aspectos de los datos de observación que los humanos no pueden ver. La desventaja es que el algoritmo es como un "recuadro negro", por lo que es difícil saber qué características hay en los datosla máquina está utilizando para hacer sus clasificaciones. Sin embargo, las técnicas de interrogación de red pueden identificar qué píxeles en una imagen contribuyeron más a la clasificación, y los investigadores probaron uno de esos métodos en su red.
"El aprendizaje profundo busca patrones, y la máquina puede ver patrones que son tan complejos que nosotros los humanos no los vemos", dijo Koo. "Queremos hacer muchas más pruebas de este enfoque, pero en esta prueba-estudio conceptual, la máquina pareció encontrar con éxito en los datos las diferentes etapas de la evolución de las galaxias identificadas en las simulaciones "
En el futuro, dijo, los astrónomos tendrán muchos más datos de observación para analizar como resultado de grandes proyectos de prospección y nuevos telescopios como el Telescopio de prospección sinóptica grande, el Telescopio espacial James Webb y el Telescopio de exploración infrarroja de campo amplioEl aprendizaje profundo y otros métodos de aprendizaje automático podrían ser herramientas poderosas para dar sentido a estos conjuntos de datos masivos.
"Este es el comienzo de un momento muy emocionante para usar inteligencia artificial avanzada en astronomía", dijo Koo.
Fuente de la historia :
Materiales proporcionado por Universidad de California - Santa Cruz . Original escrito por Tim Stephens. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :