Los cúmulos de galaxias son algunas de las estructuras más masivas del cosmos, pero a pesar de tener millones de años luz de diámetro, todavía pueden ser difíciles de detectar. Los investigadores de la Universidad de Lancaster han recurrido a la inteligencia artificial en busca de ayuda, el desarrollo de "Deep-CEE" (aprendizaje profundo para la extracción y evaluación de clústeres de galaxias), una novedosa técnica de aprendizaje profundo para acelerar el proceso de búsqueda. Matthew Chan, un doctorado estudiante de la Universidad de Lancaster, presenta este trabajo en la reunión de Astronomía Nacional de la Royal Astronomical Society el 4 de julio a las 3:45 pm en la sesión Machine Learning in Astrophysics.

La mayoría de las galaxias del universo viven en entornos de baja densidad conocidos como "el campo", o en pequeños grupos, como el que contiene nuestra Vía Láctea y Andrómeda. Los cúmulos de galaxias son más raros, pero representan los entornos más extremos en los que pueden vivir las galaxias y estudiarlos puede ayudarnos a comprender mejor la materia oscura y la energía oscura.

Durante la década de 1950, el pionero de la búsqueda de cúmulos de galaxias, el astrónomo George Abell, pasó muchos años buscando cúmulos de galaxias a ojo, utilizando una lupa y placas fotográficas para localizarlos. Abell analizó manualmente alrededor de 2, 000 placas fotográficas, buscando firmas visuales de los cúmulos de galaxias, y detallando las coordenadas astronómicas de las densas regiones de galaxias. Su trabajo dio como resultado el 'catálogo Abell' de cúmulos de galaxias que se encuentran en el hemisferio norte.

Deep-CEE se basa en el enfoque de Abell para identificar cúmulos de galaxias, pero reemplaza al astrónomo con un modelo de IA que ha sido entrenado para "mirar" imágenes en color e identificar cúmulos de galaxias. Es un modelo de última generación basado en redes neuronales, que están diseñados para imitar la forma en que un cerebro humano aprende a reconocer objetos activando neuronas específicas al visualizar patrones y colores distintivos.

Chan entrenó a la IA mostrándole repetidamente ejemplos de conocidos, etiquetado, objetos en imágenes hasta que el algoritmo sea capaz de aprender a asociar objetos por sí mismo. Luego realizó un estudio piloto para probar la capacidad del algoritmo para identificar y clasificar cúmulos de galaxias en imágenes que contienen muchos otros objetos astronómicos.

"Hemos aplicado con éxito Deep-CEE al Sloan Digital Sky Survey", dice Chan, "por último, Ejecutaremos nuestro modelo en encuestas revolucionarias como el telescopio Large Synoptic Survey (LSST) que explorará más y más profundamente en regiones del Universo nunca antes exploradas.

Los nuevos telescopios de última generación han permitido a los astrónomos observar más y más profundamente que nunca, como estudiar la estructura a gran escala del universo y mapear su vasto contenido no descubierto.

Automatizando el proceso de descubrimiento, los científicos pueden escanear rápidamente conjuntos de imágenes, y devuelve predicciones precisas con una mínima interacción humana. Esto será fundamental para analizar datos en el futuro. El próximo estudio del cielo LSST (que se pondrá en línea en 2021) tomará imágenes de los cielos de todo el hemisferio sur, generando un estimado de 15 TB de datos cada noche.

"Las técnicas de minería de datos como el aprendizaje profundo nos ayudarán a analizar los enormes resultados de los telescopios modernos", dice el Dr. John Stott (supervisor de Ph.D. de Chan). "Esperamos que nuestro método encuentre miles de grupos nunca antes vistos por la ciencia".

Chan presentará los resultados de su artículo "Pesca de cúmulos de galaxias con redes neuronales" Deep-CEE "" el 4 de julio a las 3:45 pm en la sesión "Aprendizaje automático en astrofísica". (Chan y Stott 2019) que se ha enviado a MNRAS y se puede encontrar en Arxiv .