Kredit:Pixabay/CC0 Public Domain
Det har gått nästan ett sekel sedan astronomen Fritz Zwicky först beräknade massan av Coma Cluster, en tät samling av nästan 1 000 galaxer i det närliggande universum. Men att uppskatta massan av något så enormt och tätt, för att inte tala om 320 miljoner ljusår bort, har sin del av problem – då och nu. Zwickys initiala mätningar, och de många som gjorts sedan dess, plågas av felkällor som gör massan högre eller lägre.
Nu, med hjälp av verktyg från maskininlärning, har ett team ledd av fysiker från Carnegie Mellon University utvecklat en metod för djupinlärning som exakt uppskattar massan av Coma Cluster och effektivt mildrar felkällorna.
"Människor har gjort massuppskattningar av Coma-klustret i många, många år. Men genom att visa att våra maskininlärningsmetoder stämmer överens med dessa tidigare massuppskattningar, bygger vi förtroende för dessa nya, mycket kraftfulla metoder som är heta i fältet av kosmologi just nu", säger Matthew Ho, en femteårsstudent vid Institutionen för fysik McWilliams Center for Cosmology och medlem av Carnegie Mellons NSF AI Planning Institute for Physics of the Future.
Maskininlärningsmetoder används framgångsrikt inom en mängd olika områden för att hitta mönster i komplexa data, men de har bara fått fotfäste inom kosmologisk forskning under det senaste decenniet. För vissa forskare inom området kommer dessa metoder med ett stort problem:Eftersom det är svårt att förstå hur en komplex maskininlärningsmodell fungerar, kan man lita på att de gör det de är designade för att göra? Ho och hans kollegor försökte ta itu med dessa reservationer med sin senaste forskning, publicerad i Nature Astronomy .
För att beräkna massan av Coma-klustret använde Zwicky och andra en dynamisk massmätning, där de studerade rörelsen eller hastigheten hos föremål som kretsar i och runt klustret och sedan använde sin förståelse av gravitationen för att sluta sig till klustrets massa. Men denna mätning är känslig för en mängd olika fel. Galaxkluster existerar som noder i ett enormt nät av materia som är fördelat över hela universum, och de kolliderar ständigt och smälter samman med varandra, vilket förvränger hastighetsprofilen för de ingående galaxerna. Och eftersom astronomer observerar klustret från ett stort avstånd, finns det många andra saker däremellan som kan se ut och verka som om de är en del av galaxhopen, vilket kan påverka massmätningen. Ny forskning har gjort framsteg mot att kvantifiera och redogöra för effekten av dessa fel, men maskininlärningsbaserade metoder erbjuder ett innovativt datadrivet tillvägagångssätt, enligt Ho.
"Vår djupinlärningsmetod lär sig från verkliga data vad som är användbara mätningar och vad som inte är det," sa Ho och tillade att deras metod eliminerar fel från sammanflätade galaxer (selektionseffekter) och tar hänsyn till olika galaxformer (fysiska effekter). "Användningen av dessa datadrivna metoder gör våra förutsägelser bättre och automatiserade."
"En av de största bristerna med standardmetoder för maskininlärning är att de vanligtvis ger resultat utan några osäkerheter", tillade docent i fysik Hy Trac, Hos rådgivare. "Vår metod inkluderar robust Bayesiansk statistik, som gör att vi kan kvantifiera osäkerheten i våra resultat."
Ho och hans kollegor utvecklade sin nya metod genom att anpassa ett välkänt verktyg för maskininlärning som kallas ett konvolutionellt neuralt nätverk, vilket är en typ av djupinlärningsalgoritm som används vid bildigenkänning. Forskarna tränade sin modell genom att mata den med data från kosmologiska simuleringar av universum. Modellen lärde sig genom att titta på de observerbara egenskaperna hos tusentals galaxhopar, vars massa redan är känd. Efter en djupgående analys av modellens hantering av simuleringsdata, tillämpade Ho den på ett verkligt system - Coma Cluster - vars verkliga massa inte är känd. Ho's metod beräknade en massuppskattning som överensstämmer med de flesta massuppskattningar som gjorts sedan 1980-talet. Detta är första gången denna specifika maskininlärningsmetod har tillämpats på ett observationssystem.
"För att bygga tillförlitlighet hos maskininlärningsmodeller är det viktigt att validera modellens förutsägelser på välstuderade system, som Coma," sa Ho. "Vi genomför för närvarande en mer rigorös, omfattande kontroll av vår metod. De lovande resultaten är ett starkt steg mot att tillämpa vår metod på ny, ostuderad data."
Modeller som dessa kommer att vara kritiska framåt, särskilt när storskaliga spektroskopiska undersökningar, såsom Dark Energy Spectroscopic Instrument, Vera C. Rubin Observatory och Euclid, börjar släppa de enorma mängder data som de samlar in från himlen .
"Snart kommer vi att ha ett dataflöde i petabyte-skala," förklarade Ho. "Det är enormt. Det är omöjligt för människor att analysera det för hand. När vi arbetar med att bygga modeller som kan vara robusta estimerare av saker som massa och samtidigt mildra felkällor, är en annan viktig aspekt att de måste vara beräkningseffektiva om vi är kommer att bearbeta detta enorma dataflöde från dessa nya undersökningar. Och det är precis vad vi försöker ta itu med – att använda maskininlärning för att förbättra våra analyser och göra dem snabbare." + Utforska vidare
