Nyligen genomförde ett internationellt team under ledning av prof. Ge Jian från Shanghai Astronomical Observatory vid den kinesiska vetenskapsakademin en sökning efter sällsynta svaga signaler i kvasarspektraldata som släppts av programmet Sloan Digital Sky Survey III (SDSS-III) med hjälp av djupinlärning neurala nätverk.
Genom att introducera en ny metod för att utforska galaxbildning och evolution visade teamet upp potentialen hos artificiell intelligens (AI) för att identifiera sällsynta svaga signaler i astronomiska big data. Studien publicerades i Monthly Notices of the Royal Astronomical Society .
"Neutrala kolabsorbenter" från kall gas med damm i universum fungerar som avgörande sonder för att studera galaxbildning och evolution. Signalerna från neutrala kolabsorptionslinjer är dock svaga och extremt sällsynta.
Astronomer har kämpat för att upptäcka dessa absorbatorer i massiva kvasarspektraldatauppsättningar med hjälp av konventionella korrelationsmetoder. "Det är som att leta efter en nål i en höstack", sa Prof. Ge.
Under 2015 upptäcktes 66 neutrala kolabsorbenter i spektra av tiotusentals kvasarer som tidigare släppts ut av SDSS, vilket är det största antalet prover som erhållits.
I denna studie designade och tränade Prof. Ges team djupa neurala nätverk med ett stort antal simulerade prover av neutrala kolabsorptionslinjer baserat på faktiska observationer. Genom att tillämpa dessa vältränade neurala nätverk på SDSS-III-data upptäckte teamet 107 extremt sällsynta neutrala kolabsorbenter, vilket fördubblade antalet prover som erhölls 2015, och upptäckte fler svaga signaler än tidigare.
Genom att stapla spektra av ett flertal neutrala kolabsorbenter förbättrade teamet avsevärt förmågan att upptäcka överflöd av olika element och direkt uppmätta metallförluster i gas orsakad av damm.
Resultaten visade att dessa tidiga galaxer, som innehåller neutrala kolabsorberande sonder, har genomgått snabb fysisk och kemisk utveckling när universum bara var cirka tre miljarder år gammalt (universums nuvarande ålder är 13,8 miljarder). Dessa galaxer gick in i ett evolutionstillstånd mellan det stora magellanska molnet (LMC) och Vintergatan (MW), och producerade en betydande mängd metaller, av vilka några band för att bilda dammpartiklar, vilket ledde till den observerade effekten av att damm rodnade.
Denna upptäckt bekräftar oberoende upptäckter av James Webb Space Telescope (JWST) som upptäckte diamantliknande koldamm i de tidigaste stjärnorna i universum, vilket tyder på att vissa galaxer utvecklas mycket snabbare än tidigare förväntat, vilket utmanar befintliga modeller av galaxbildning och evolution.
Till skillnad från JWST som bedriver forskning genom galaxemissionsspektra, undersöker denna studie tidiga galaxer genom att observera kvasarernas absorptionsspektra. Att använda vältränade neurala nätverk för att hitta neutrala kolabsorbenter ger ett nytt verktyg för framtida forskning om den tidiga utvecklingen av universum och galaxer, som kompletterar JWST:s forskningsmetoder.
"Det är nödvändigt att utveckla innovativa AI-algoritmer som snabbt, exakt och heltäckande kan utforska sällsynta och svaga signaler i massiva astronomiska data", säger Prof. Ge.
Teamet syftar till att främja metoden som introducerades i denna studie för bildigenkänning genom att extrahera flera relaterade strukturer för att skapa artificiella "multistruktur"-bilder för effektiv träning och detektering av svaga bildsignaler.
