När de är aktiva spelar supermassiva svarta hål en avgörande roll i hur galaxer utvecklas. Fram till nu trodde man att tillväxt utlöstes av den våldsamma kollisionen mellan två galaxer följt av deras sammanslagning; Men ny forskning ledd av University of Bath tyder på att enbart sammanslagningar av galaxer inte räcker för att driva ett svart hål – en reservoar av kall gas i mitten av värdgalaxen behövs också.
Den nya studien, publicerad i tidskriften Monthly Notices of the Royal Astronomical Society tros vara den första som använder maskininlärning för att klassificera galaxsammanslagningar med det specifika syftet att utforska förhållandet mellan galaxsammanslagningar, supermassiv svarthålsansamling och stjärnbildning. Hittills har sammanslagningar klassificerats (ofta felaktigt) endast genom mänsklig observation.
"När människor letar efter galaxsammanslagningar vet de inte alltid vad de tittar på, och de använder mycket intuition för att avgöra om en sammanslagning har skett", säger Mathilda Avirett-Mackenzie, Ph.D. student vid institutionen för fysik vid University of Bath och första författare på forskningsuppsatsen.
Studien var ett samarbete mellan partners från BiD4BEST (Big Data Applications for Black Hole Evolution Studies), vars Innovative Training Network tillhandahåller doktorandutbildning i bildandet av supermassiva svarta hål.
Hon tillade, "Genom att träna en maskin för att klassificera sammanslagningar får du en mycket mer sanningsenlig läsning av vad galaxer faktiskt gör."
Supermassiva svarta hål finns i mitten av alla massiva galaxer (för att ge en känsla av skala är Vintergatan, med cirka 200 miljarder stjärnor, bara en medelstor galax). Dessa överdimensionerade svarta hål väger vanligtvis mellan miljoner och miljarder gånger vår sols massa.
Under större delen av deras liv är dessa svarta hål tysta, sitter tyst medan materia kretsar runt dem och har liten inverkan på galaxen som helhet. Men under korta faser i deras liv (korta endast i astronomisk skala, och troligen varar de i miljoner till hundratals miljoner år), använder de gravitationskrafter för att dra stora mängder gas mot sig (en händelse som kallas ackretion), vilket resulterar i en ljus skiva som kan överglänsa hela galaxen.
Det är dessa korta faser av aktivitet som är viktigast för galaxens evolution, eftersom de enorma mängderna energi som frigörs genom ackretion kan påverka hur stjärnor bildas i galaxer. Av goda skäl är alltså en av de största utmaningarna inom astrofysik att fastställa vad som får en galax att röra sig mellan sina två tillstånd – stillastående och stjärnbildande.
"Att avgöra vilken roll supermassiva svarta hål har i galaxens evolution är avgörande i våra studier av universum", sa Avirett-Mackenzie.
Mänsklig inspektion kontra maskininlärning
I decennier har teoretiska modeller föreslagit att svarta hål växer när galaxer smälter samman. Men astrofysiker som studerar sambandet mellan galaxsammanslagningar och svarthålstillväxt under många år har utmanat dessa modeller med en enkel fråga:Hur identifierar vi på ett tillförlitligt sätt sammanslagningar av galaxer?
Visuell inspektion har varit den mest använda metoden. Mänskliga klassificerare – antingen experter eller medlemmar av allmänheten – observerar galaxer och identifierar höga asymmetrier eller långa tidvattensvansar (tunna, långsträckta områden av stjärnor och interstellär gas som sträcker sig ut i rymden), som båda är förknippade med galaxsammanslagningar.
Denna observationsmetod är dock både tidskrävande och opålitlig, eftersom det är lätt för människor att göra misstag i sina klassificeringar. Som ett resultat av detta ger fusionsstudier ofta motsägelsefulla resultat.
För den nya Bath-ledda studien ställde forskarna sig själva utmaningen att förbättra hur sammanslagningar klassificeras genom att studera sambandet mellan tillväxt av svarta hål och galaxutveckling genom användning av artificiell intelligens.
De tränade ett neuralt nätverk (en delmängd av maskininlärning inspirerad av den mänskliga hjärnan och efterliknar hur biologiska neuroner signalerar till varandra) på simulerade galaxsammanslagningar, och tillämpade sedan denna modell på galaxer som observerats i kosmos.
Genom att göra det kunde de identifiera sammanslagningar utan mänskliga fördomar och studera sambandet mellan galaxsammanslagningar och tillväxt av svarta hål. De visade att det neurala nätverket överträffar mänskliga klassificerare när det gäller att identifiera sammanslagningar, och faktiskt tenderar mänskliga klassificerare att missta vanliga galaxer för sammanslagningar.
Genom att tillämpa denna nya metod kunde forskarna visa att sammanslagningar inte är starkt förknippade med tillväxt av svarta hål. Sammanslagningssignaturer är lika vanliga i galaxer med och utan ackreterande supermassiva svarta hål.
Genom att använda ett extremt stort urval av cirka 8 000 anhopande svarthålssystem – vilket gjorde det möjligt för teamet att studera frågan mycket mer detaljerat – fann man att sammanslagningar ledde till tillväxt av svarta hål endast i en mycket specifik typ av galaxer:stjärnbildande galaxer som innehåller betydande mängder kall gas.
Detta visar att enbart galaxsammanslagningar inte räcker för att underblåsa svarta hål:stora mängder kall gas måste också finnas för att det svarta hålet ska kunna växa.
Avirett-Mackenzie sa:"För att galaxer ska bilda stjärnor måste de innehålla kalla gasmoln som kan kollapsa till stjärnor. Högenergiska processer som supermassiva svarta håls ansamling värmer upp denna gas, antingen gör den för energisk för att kollapsa eller blåser den ut ur galaxen."
Hon tillade, "På en klar natt kan du nästan se den här processen som sker i realtid med Orionnebulosan - en stor, stjärnbildande region i vår galax och den närmast jorden i sitt slag - där du kan se några stjärnor som bildades nyligen och andra som fortfarande bildas."
Dr Carolin Villforth, universitetslektor vid institutionen för fysik och Avirett-Mackenzies handledare vid Bath, sa:"Tills nu har alla studerat sammanslagningar på samma sätt - genom visuell klassificering. Med denna metod, när man använder expertklassificerare som kan upptäcka mer subtila egenskaper kunde vi bara titta på ett par hundra galaxer, inte mer.
"Att använda maskininlärning i stället öppnar ett helt nytt och mycket spännande område där du kan analysera tusentals galaxer åt gången. Du får konsekventa resultat över riktigt stora prover, och när som helst kan du titta på många olika egenskaper hos en svart hål."
Mer information: M S Avirett-Mackenzie et al, En förbättring efter sammanslagningen endast i stjärnbildande Seyfert-galaxer av typ 2:den djupa inlärningsvyn, Monthly Notices of the Royal Astronomical Society (2024). DOI:10.1093/mnras/stae183
Tillhandahålls av University of Bath
