En maskininlärningsmetod som kallas "djupinlärning, "som har använts i stor utsträckning i ansiktsigenkänning och andra bild- och taligenkänningstillämpningar, har visat lovande i att hjälpa astronomer att analysera bilder av galaxer och förstå hur de bildas och utvecklas.

I en ny studie, godkänd för publicering i Astrofysisk tidskrift och tillgänglig online, forskare använde datorsimuleringar av galaxbildning för att träna en djupinlärningsalgoritm, som sedan visade sig förvånansvärt bra på att analysera bilder av galaxer från rymdteleskopet Hubble.

Forskarna använde utdata från simuleringarna för att generera skenbilder av simulerade galaxer som de skulle se ut i observationer av rymdteleskopet Hubble. De falska bilderna användes för att träna djupinlärningssystemet att känna igen tre nyckelfaser av galaxevolutionen som tidigare identifierats i simuleringarna. Forskarna gav sedan systemet en stor uppsättning faktiska Hubble-bilder att klassificera.

Resultaten visade en anmärkningsvärd nivå av konsekvens i det neurala nätverkets klassificeringar av simulerade och verkliga galaxer.

"Vi förväntade oss inte att det skulle bli så framgångsrikt. Jag är förvånad över hur kraftfullt detta är, " sa medförfattaren Joel Primack, professor emeritus i fysik och medlem av Santa Cruz Institute for Particle Physics (SCIPP) vid UC Santa Cruz. "Vi vet att simuleringarna har begränsningar, så vi vill inte göra för starka påståenden. Men vi tror inte att det här bara är en lyckoträff."

Galaxer är komplexa fenomen, ändrar sitt utseende när de utvecklas under miljarder år, och bilder av galaxer kan bara ge ögonblicksbilder i tid. Astronomer kan titta djupare in i universum och därigenom "bakåt i tiden" för att se tidigare galaxer (på grund av den tid det tar ljuset att resa kosmiska avstånd), men att följa utvecklingen av en enskild galax över tiden är endast möjligt i simuleringar. Att jämföra simulerade galaxer med observerade galaxer kan avslöja viktiga detaljer om de faktiska galaxerna och deras sannolika historia.

I den nya studien, forskarna var särskilt intresserade av ett fenomen som sågs i simuleringarna tidigt i utvecklingen av gasrika galaxer, när stora flöden av gas in i centrum av en galax bildas bränsle av en liten, tät, stjärnbildande region som kallas en "blå klumpa". (Ung, heta stjärnor avger korta "blå" våglängder av ljus, så blått indikerar en galax med aktiv stjärnbildning, medan äldre, kallare stjärnor avger mer "rött" ljus.)

I både simulerade och observationsdata, datorprogrammet fann att "blå nugget"-fasen bara inträffar i galaxer med massor inom ett visst område. Detta följs av släckning av stjärnbildning i den centrala regionen, leder till en kompakt "röd nugget"-fas. Massintervallets konsistens var ett spännande fynd, eftersom det antyder att algoritmen för djupinlärning på egen hand identifierar ett mönster som är resultatet av en viktig fysisk process som sker i verkliga galaxer.

"Det kan vara så att i ett visst storleksintervall, galaxer har precis rätt massa för att den här fysiska processen ska inträffa, " sa medförfattaren David Koo, professor emeritus i astronomi och astrofysik vid UC Santa Cruz.

Forskarna använde toppmoderna galaxsimuleringar (VELA-simuleringarna) utvecklade av Primack och ett internationellt team av medarbetare, inklusive Daniel Ceverino (Universitetet i Heidelberg), vem körde simuleringarna, och Avishai Dekel (hebreiska universitetet), som ledde analys och tolkning av dem och utvecklade nya fysiska koncept utifrån dem. Alla sådana simuleringar är begränsade, dock, i deras förmåga att fånga galaxbildningens komplexa fysik.

Särskilt, simuleringarna som användes i den här studien inkluderade inte återkoppling från aktiva galaktiska kärnor (injektion av energi från strålning eftersom gas ansamlas av ett centralt supermassivt svart hål). Många astronomer anser att denna process är en viktig faktor som reglerar stjärnbildningen i galaxer. Ändå, observationer av avlägsna, unga galaxer tycks visa bevis på fenomenet som leder till den blå nuggetfasen som ses i simuleringarna.

För observationsdata, laget använde bilder av galaxer som erhållits genom CANDELS-projektet (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey), det största projektet i historien om rymdteleskopet Hubble. Första författare Marc Huertas-Company, en astronom vid Paris Observatory och Paris Diderot University, hade redan gjort banbrytande arbete med att tillämpa metoder för djupinlärning på galaxklassificeringar med hjälp av allmänt tillgänglig CANDELS-data.

Koo, en CANDELS medutredare, bjöd in Huertas-Company att besöka UC Santa Cruz för att fortsätta detta arbete. Google har gett stöd för deras arbete med djupinlärning inom astronomi genom gåvor av forskningsmedel till Koo och Primack, tillåter Huertas-Company att tillbringa de senaste två somrarna i Santa Cruz, med planer på ytterligare ett besök sommaren 2018.

"Det här projektet var bara en av flera idéer vi hade, " Sa Koo. "Vi ville välja en process som teoretiker kan definiera tydligt baserat på simuleringarna, och det har något att göra med hur en galax ser ut, låt sedan algoritmen för djupinlärning leta efter det i observationerna. Vi har precis börjat utforska detta nya sätt att göra forskning. Det är ett nytt sätt att kombinera teori och observationer."

I åratal, Primack har arbetat nära Koo och andra astronomer vid UC Santa Cruz för att jämföra hans teams simuleringar av galaxbildning och evolution med CANDELS-observationerna. "VELA-simuleringarna har haft stor framgång när det gäller att hjälpa oss att förstå CANDELS-observationerna, " sade Primack. "Ingen har perfekta simuleringar, fastän. När vi fortsätter detta arbete, vi kommer att fortsätta utveckla bättre simuleringar."

Enligt Koo, djupinlärning har potential att avslöja aspekter av observationsdata som människor inte kan se. Nackdelen är att algoritmen är som en "svart låda, " så det är svårt att veta vilka funktioner i data som maskinen använder för att göra sina klassificeringar. Nätverksförfrågningstekniker kan identifiera vilka pixlar i en bild som bidrog mest till klassificeringen, dock, och forskarna testade en sådan metod i deras nätverk.

"Djupt lärande letar efter mönster, och maskinen kan se mönster som är så komplexa att vi människor inte ser dem, " Sa Koo. "Vi vill göra mycket mer testning av detta tillvägagångssätt, men i denna proof-of-concept-studie, maskinen verkade framgångsrikt hitta de olika stadierna av galaxevolutionen som identifierades i simuleringarna i data."

I framtiden, han sa, astronomer kommer att ha mycket mer observationsdata att analysera som ett resultat av stora undersökningsprojekt och nya teleskop som Large Synoptic Survey Telescope, rymdteleskopet James Webb, och Wide-Field Infrared Survey Telescope. Djup inlärning och andra metoder för maskininlärning kan vara kraftfulla verktyg för att förstå dessa enorma datamängder.

"Detta är början på en mycket spännande tid för att använda avancerad artificiell intelligens inom astronomi, " sa Koo.