Los cúmulos de galaxias son algunas de las estructuras más masivas en el cosmos, pero a pesar de ser millones de años luz, aún pueden ser difíciles de detectar. Los investigadores de la Universidad de Lancaster han recurrido a la inteligencia artificial para obtener ayuda, desarrollando "Deep-CEE" Deep Learning for Galaxy Cluster Extraction and Evaluation, una novedosa técnica de aprendizaje profundo para acelerar el proceso de encontrarlos. Matthew Chan, estudiante de doctorado en la Universidad de Lancaster, presentará este trabajo en la reunión de Astronomía Nacional de la Royal Astronomical Society el 4 de julio en3:45 pm en la sesión de Aprendizaje automático en astrofísica.
La mayoría de las galaxias en el universo viven en entornos de baja densidad conocidos como "el campo", o en pequeños grupos, como el que contiene nuestra Vía Láctea y Andrómeda. Los cúmulos de galaxias son más raros, pero representan los entornos más extremos que las galaxiaspuede vivir y estudiarlos puede ayudarnos a comprender mejor la materia oscura y la energía oscura.
Durante la década de 1950, el pionero de la búsqueda de cúmulos de galaxias, el astrónomo George Abell, pasó muchos años buscando cúmulos de galaxias a simple vista, utilizando una lente de aumento y placas fotográficas para localizarlos. Abell analizó manualmente alrededor de 2.000 placas fotográficas, buscando firmas visuales.de cúmulos de galaxias, y que detalla las coordenadas astronómicas de las densas regiones de galaxias. Su trabajo dio como resultado el 'Catálogo Abell' de cúmulos de galaxias que se encuentran en el hemisferio norte.
Deep-CEE se basa en el enfoque de Abell para identificar cúmulos de galaxias, pero reemplaza al astrónomo con un modelo de IA que ha sido entrenado para "mirar" imágenes en color e identificar cúmulos de galaxias. Es un modelo de vanguardia basado enredes neuronales, que están diseñadas para imitar la forma en que un cerebro humano aprende a reconocer objetos mediante la activación de neuronas específicas al visualizar patrones y colores distintivos.
Chan entrenó a la IA mostrándole repetidamente ejemplos de objetos conocidos y etiquetados en imágenes hasta que el algoritmo puede aprender a asociar objetos por sí mismo. Luego realizó un estudio piloto para probar la capacidad del algoritmo para identificar y clasificar los cúmulos de galaxias enimágenes que contienen muchos otros objetos astronómicos.
"Hemos aplicado con éxito Deep-CEE al Sloan Digital Sky Survey", dice Chan, "en última instancia, ejecutaremos nuestro modelo en estudios revolucionarios, como el gran telescopio de levantamiento sinóptico LSST que sondeará más y más en regiones deel universo nunca antes explorado.
Los nuevos telescopios de última generación han permitido a los astrónomos observar más amplio y más profundo que nunca, como estudiar la estructura a gran escala del universo y mapear su vasto contenido no descubierto.
Al automatizar el proceso de descubrimiento, los científicos pueden escanear rápidamente conjuntos de imágenes y devolver predicciones precisas con una interacción humana mínima. Esto será esencial para analizar datos en el futuro. La próxima inspección del cielo LSST que entrará en línea en 2021 mostrará imágeneslos cielos de todo el hemisferio sur, generando un estimado de 15 TB de datos cada noche.
"Las técnicas de minería de datos, como el aprendizaje profundo, nos ayudarán a analizar los enormes resultados de los telescopios modernos", dice el Dr. John Stott supervisor de doctorado de Chan. "Esperamos que nuestro método encuentre miles de grupos nunca antes vistos por la ciencia".
Fuente de la historia :
Materiales proporcionado por Real Sociedad Astronómica . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :