Forskare vid UC Santa Cruz har utvecklat ett kraftfullt nytt datorprogram som heter Morpheus som kan analysera astronomiska bilddata pixel för pixel för att identifiera och klassificera alla galaxer och stjärnor i stora datamängder från astronomiundersökningar.

Morpheus är ett ramverk för djupinlärning som innehåller en mängd olika artificiell intelligens-teknologier utvecklade för applikationer som bild- och taligenkänning. Brant Robertson, en professor i astronomi och astrofysik som leder Computational Astrophysics Research Group vid UC Santa Cruz, sa att den snabbt ökande storleken på astronomidatauppsättningar har gjort det viktigt att automatisera några av de uppgifter som traditionellt utförs av astronomer.

"Det finns vissa saker vi helt enkelt inte kan göra som människor, så vi måste hitta sätt att använda datorer för att hantera den enorma mängd data som kommer in under de närmaste åren från stora astronomiska undersökningsprojekt, " han sa.

Robertson arbetade med Ryan Hausen, en doktorand i datavetenskap vid UCSC:s Baskin School of Engineering, som utvecklat och testat Morpheus under de senaste två åren. Med publiceringen av sina resultat 12 maj i Astrophysical Journal Supplement Series , Hausen och Robertson släpper också Morpheus-koden offentligt och tillhandahåller onlinedemonstrationer.

Galaxernas morfologier, från roterande skivgalaxer som vår egen Vintergatan till amorfa elliptiska och sfäroidala galaxer, kan berätta för astronomer om hur galaxer bildas och utvecklas över tiden. Storskaliga undersökningar, såsom Legacy Survey of Space and Time (LSST) som ska genomföras vid Vera Rubin-observatoriet som nu är under uppbyggnad i Chile, kommer att generera enorma mängder bilddata, och Robertson har varit involverad i att planera hur man använder dessa data för att förstå bildandet och utvecklingen av galaxer. LSST kommer att ta mer än 800 panoramabilder varje natt med en kamera på 3,2 miljarder pixlar, spela in hela den synliga himlen två gånger varje vecka.

"Föreställ dig om du gick till astronomer och bad dem klassificera miljarder objekt – hur skulle de kunna göra det? Nu kommer vi att automatiskt kunna klassificera dessa objekt och använda den informationen för att lära oss om galaxens evolution, " sa Robertson.

Andra astronomer har använt djupinlärningsteknik för att klassificera galaxer, men tidigare ansträngningar har vanligtvis involverat anpassning av befintliga bildigenkänningsalgoritmer, och forskare har matat algoritmerna med kurerade bilder av galaxer som ska klassificeras. Hausen byggde Morpheus från grunden speciellt för astronomiska bilddata, och modellen använder som indata originalbilddata i det digitala standardfilformatet som används av astronomer.

Klassificering på pixelnivå är en annan viktig fördel med Morpheus, sa Robertson. "Med andra modeller, du måste veta att något finns där och mata modellen med en bild, och den klassificerar hela galaxen på en gång, " sa han. "Morpheus upptäcker galaxerna åt dig, och gör det pixel för pixel, så det kan hantera mycket komplicerade bilder, där du kanske har en sfäroid bredvid en skiva. För en skiva med en central utbuktning, den klassificerar utbuktningen separat. Så det är väldigt kraftfullt."

För att träna algoritmen för djupinlärning, forskarna använde information från en studie från 2015 där dussintals astronomer klassificerade cirka 10, 000 galaxer i Hubble Space Telescope-bilder från CANDELS-undersökningen. De tillämpade sedan Morpheus på bilddata från Hubble Legacy Fields, som kombinerar observationer från flera Hubble djupfältsundersökningar.

När Morpheus bearbetar en bild av ett område på himlen, den genererar en ny uppsättning bilder av den del av himlen där alla objekt är färgkodade baserat på deras morfologi, separera astronomiska objekt från bakgrunden och identifiera punktkällor (stjärnor) och olika typer av galaxer. Resultatet inkluderar en konfidensnivå för varje klassificering. Körs på UCSC:s lux superdator, programmet genererar snabbt en pixel-för-pixel-analys för hela datamängden.

"Morpheus tillhandahåller detektion och morfologisk klassificering av astronomiska objekt på en granularitetsnivå som för närvarande inte existerar, sa Hausen.

En interaktiv visualisering av Morpheus-modellens resultat för GOODS South, en djupfältsundersökning som avbildade miljontals galaxer, har släppts offentligt. Detta arbete stöddes av NASA och National Science Foundation.