Galaxhopar är några av de mest massiva strukturerna i kosmos, men trots att den är miljontals ljusår över, de kan fortfarande vara svåra att upptäcka. Forskare vid Lancaster University har vänt sig till artificiell intelligens för att få hjälp, utveckla "Deep-CEE" (Deep Learning for Galaxy Cluster Extraction and Evaluation), en ny teknik för djupinlärning för att påskynda processen att hitta dem. Matthew Chan, en Ph.D. student vid Lancaster University, presenterar detta arbete vid Royal Astronomical Society's National Astronomy-möte den 4 juli kl. 15:45 i Machine Learning in Astrophysics-sessionen.

De flesta galaxer i universum lever i lågdensitetsmiljöer som kallas "fältet", eller i små grupper, som den som innehåller vår Vintergatan och Andromeda. Galaxkluster är sällsynta, men de representerar de mest extrema miljöer som galaxer kan leva i och att studera dem kan hjälpa oss att bättre förstå mörk materia och mörk energi.

Under 1950-talet var pionjären för att hitta galaxhopar, astronomen George Abell, tillbringade många år med att leta efter galaxhopar med ögat, använda en förstoringslins och fotografiska plattor för att lokalisera dem. Abell analyserade manuellt cirka 2, 000 fotografiska plattor, letar efter visuella signaturer för galaxhopar, och detaljerade de astronomiska koordinaterna för galaxernas täta regioner. Hans arbete resulterade i 'Abell-katalogen' över galaxhopar som finns på norra halvklotet.

Deep-CEE bygger på Abells tillvägagångssätt för att identifiera galaxhopar men ersätter astronomen med en AI-modell som har tränats att "titta" på färgbilder och identifiera galaxhopar. Det är en toppmodern modell baserad på neurala nätverk, som är designade för att efterlikna hur en mänsklig hjärna lär sig att känna igen föremål genom att aktivera specifika neuroner när de visualiserar distinkta mönster och färger.

Chan tränade AI:n genom att upprepade gånger visa den exempel på kända, märkt, objekt i bilder tills algoritmen kan lära sig att associera objekt på egen hand. Körde sedan en pilotstudie för att testa algoritmens förmåga att identifiera och klassificera galaxhopar i bilder som innehåller många andra astronomiska objekt.

"Vi har framgångsrikt tillämpat Deep-CEE på Sloan Digital Sky Survey", säger Chan, "i sista hand, vi kommer att köra vår modell på revolutionerande undersökningar som Large Synoptic Survey-teleskopet (LSST) som kommer att sondera bredare och djupare in i områden av universum som aldrig tidigare utforskats.

Nya toppmoderna teleskop har gjort det möjligt för astronomer att observera bredare och djupare än någonsin tidigare, som att studera universums storskaliga struktur och kartlägga dess enorma oupptäckta innehåll.

Genom att automatisera upptäcktsprocessen, forskare kan snabbt skanna uppsättningar av bilder, och returnera exakta förutsägelser med minimal mänsklig interaktion. Detta kommer att vara väsentligt för att analysera data i framtiden. Den kommande LSST-himmelundersökningen (som kommer online 2021) kommer att avbilda himlen på hela södra halvklotet, genererar uppskattningsvis 15 TB data varje natt.

"Data mining-tekniker som djupinlärning kommer att hjälpa oss att analysera de enorma resultaten från moderna teleskop", säger Dr. John Stott (Chans Ph.D.-handledare). "Vi förväntar oss att vår metod ska hitta tusentals kluster som aldrig tidigare setts av vetenskapen."

Chan kommer att presentera resultaten av sin artikel "Fiske efter galaxkluster med "Deep-CEE" neurala nät" den 4 juli kl. 15:45 i sessionen "Machine Learning in Astrophysics". (Chan och Stott 2019) som har lämnats till MNRAS och finns på Arxiv .