Un método de aprendizaje automático llamado "aprendizaje profundo, "que se ha utilizado ampliamente en el reconocimiento facial y otras aplicaciones de reconocimiento de imágenes y de voz, ha demostrado ser prometedor para ayudar a los astrónomos a analizar imágenes de galaxias y comprender cómo se forman y evolucionan.

En un nuevo estudio, aceptado para publicación en Diario astrofísico y disponible en línea, Los investigadores utilizaron simulaciones por computadora de la formación de galaxias para entrenar un algoritmo de aprendizaje profundo, que luego resultó sorprendentemente bueno para analizar imágenes de galaxias del Telescopio Espacial Hubble.

Los investigadores utilizaron la salida de las simulaciones para generar imágenes simuladas de galaxias simuladas como se verían en las observaciones del Telescopio Espacial Hubble. Las imágenes simuladas se utilizaron para entrenar el sistema de aprendizaje profundo para reconocer tres fases clave de la evolución de las galaxias previamente identificadas en las simulaciones. Luego, los investigadores le dieron al sistema un gran conjunto de imágenes reales del Hubble para clasificar.

Los resultados mostraron un notable nivel de coherencia en las clasificaciones de la red neuronal de galaxias simuladas y reales.

"No esperábamos que fuera tan exitoso. Me sorprende lo poderoso que es esto, "dijo el coautor Joel Primack, profesor emérito de física y miembro del Instituto de Física de Partículas de Santa Cruz (SCIPP) de la UC Santa Cruz. "Sabemos que las simulaciones tienen limitaciones, por lo que no queremos hacer una afirmación demasiado fuerte. Pero no creemos que esto sea solo una casualidad ".

Las galaxias son fenómenos complejos, cambiando su apariencia a medida que evolucionan durante miles de millones de años, y las imágenes de galaxias solo pueden proporcionar instantáneas en el tiempo. Los astrónomos pueden mirar más profundamente en el universo y, por lo tanto, "retroceder en el tiempo" para ver galaxias anteriores (debido al tiempo que tarda la luz en viajar distancias cósmicas), pero seguir la evolución de una galaxia individual a lo largo del tiempo solo es posible en simulaciones. La comparación de galaxias simuladas con galaxias observadas puede revelar detalles importantes de las galaxias reales y sus probables historias.

En el nuevo estudio, los investigadores estaban particularmente interesados ​​en un fenómeno visto en las simulaciones al principio de la evolución de las galaxias ricas en gas, cuando grandes flujos de gas en el centro de la formación de combustible de una galaxia de un pequeño, denso, región de formación de estrellas llamada "pepita azul". (Joven, las estrellas calientes emiten longitudes de onda de luz "azules" cortas, entonces el azul indica una galaxia con formación estelar activa, mientras que mayor, las estrellas más frías emiten más luz "roja").

Tanto en datos simulados como observacionales, el programa de computadora encontró que la fase de "pepita azul" solo ocurre en galaxias con masas dentro de un cierto rango. A esto le sigue la extinción de la formación de estrellas en la región central, conduciendo a una fase compacta de "pepita roja". La consistencia del rango de masas fue un hallazgo emocionante, porque sugiere que el algoritmo de aprendizaje profundo está identificando por sí solo un patrón que resulta de un proceso físico clave que ocurre en galaxias reales.

"Puede ser que en un rango de tamaño determinado, las galaxias tienen la masa justa para que ocurra este proceso físico, "dijo el coautor David Koo, profesor emérito de astronomía y astrofísica de la UC Santa Cruz.

Los investigadores utilizaron simulaciones de galaxias de última generación (las simulaciones VELA) desarrolladas por Primack y un equipo internacional de colaboradores. incluyendo a Daniel Ceverino (Universidad de Heidelberg), quien ejecutó las simulaciones, y Avishai Dekel (Universidad Hebrea), quien dirigió el análisis e interpretación de los mismos y desarrolló nuevos conceptos físicos basados ​​en ellos. Todas estas simulaciones son limitadas, sin embargo, en su capacidad para capturar la compleja física de la formación de galaxias.

En particular, las simulaciones utilizadas en este estudio no incluyeron la retroalimentación de los núcleos galácticos activos (inyección de energía de la radiación a medida que el gas es acumulado por un agujero negro supermasivo central). Muchos astrónomos consideran que este proceso es un factor importante que regula la formación de estrellas en las galaxias. Sin embargo, observaciones de distancia, las galaxias jóvenes parecen mostrar evidencia del fenómeno que conduce a la fase de pepita azul vista en las simulaciones.

Para los datos de observación, el equipo utilizó imágenes de galaxias obtenidas a través del proyecto CANDELS (Cosmic Assembly Near-Infrared Deep Extragalactic Legacy Survey), el proyecto más grande en la historia del telescopio espacial Hubble. Primer autor Marc Huertas-Company, astrónomo del Observatorio de París y de la Universidad Paris Diderot, ya había realizado un trabajo pionero en la aplicación de métodos de aprendizaje profundo a las clasificaciones de galaxias utilizando datos de CANDELS disponibles públicamente.

Koo, un co-investigador de CANDELS, invitó a Huertas-Company a visitar la UC Santa Cruz para continuar con este trabajo. Google ha brindado apoyo para su trabajo sobre aprendizaje profundo en astronomía a través de donaciones de fondos de investigación a Koo y Primack. permitiendo a Huertas-Company pasar los dos últimos veranos en Santa Cruz, con planes para otra visita en el verano de 2018.

"Este proyecto fue solo una de las varias ideas que teníamos, "Dijo Koo." Queríamos elegir un proceso que los teóricos pudieran definir claramente en base a las simulaciones, y eso tiene algo que ver con el aspecto de una galaxia, luego haga que el algoritmo de aprendizaje profundo lo busque en las observaciones. Recién estamos comenzando a explorar esta nueva forma de investigar. Es una nueva forma de fusionar la teoría y las observaciones ".

Durante años, Primack ha estado trabajando en estrecha colaboración con Koo y otros astrónomos de la UC Santa Cruz para comparar las simulaciones de formación y evolución de galaxias de su equipo con las observaciones de CANDELS. "Las simulaciones de VELA han tenido mucho éxito en términos de ayudarnos a comprender las observaciones de CANDELS, ", Dijo Primack." Nadie tiene simulaciones perfectas, aunque. Mientras continuamos este trabajo, seguiremos desarrollando mejores simulaciones ".

Según Koo, el aprendizaje profundo tiene el potencial de revelar aspectos de los datos de observación que los humanos no pueden ver. La desventaja es que el algoritmo es como una "caja negra, "por lo que es difícil saber qué características de los datos utiliza la máquina para realizar sus clasificaciones. Las técnicas de interrogación en red pueden identificar qué píxeles de una imagen contribuyeron más a la clasificación, sin embargo, y los investigadores probaron uno de esos métodos en su red.

"El aprendizaje profundo busca patrones, y la máquina puede ver patrones que son tan complejos que los humanos no los vemos, "Dijo Koo." Queremos hacer muchas más pruebas de este enfoque, pero en este estudio de prueba de concepto, la máquina pareció encontrar con éxito en los datos las diferentes etapas de la evolución de las galaxias identificadas en las simulaciones ".

En el futuro, él dijo, Los astrónomos tendrán muchos más datos de observación para analizar como resultado de grandes proyectos de levantamiento y nuevos telescopios como el Gran Telescopio de Levantamiento Sinóptico, el telescopio espacial James Webb, y el telescopio topográfico infrarrojo de campo amplio. El aprendizaje profundo y otros métodos de aprendizaje automático podrían ser herramientas poderosas para dar sentido a estos conjuntos de datos masivos.

"Este es el comienzo de una época muy emocionante para el uso de inteligencia artificial avanzada en astronomía, "Dijo Koo.