Recientemente, un equipo internacional dirigido por el Prof. Ge Jian del Observatorio Astronómico de Shanghai de la Academia de Ciencias de China llevó a cabo una búsqueda de señales débiles raras en datos espectrales de cuásar publicados por el programa Sloan Digital Sky Survey III (SDSS-III) utilizando aprendizaje profundo. redes neuronales.
Al introducir un nuevo método para explorar la formación y evolución de galaxias, el equipo demostró el potencial de la inteligencia artificial (IA) para identificar señales débiles raras en big data astronómicos. El estudio fue publicado en Avisos mensuales de la Royal Astronomical Society .
Los "absorbentes de carbono neutro" procedentes del gas frío y el polvo del universo sirven como sondas cruciales para estudiar la formación y evolución de las galaxias. Sin embargo, las señales de las líneas de absorción de carbono neutro son débiles y extremadamente raras.
Los astrónomos han luchado por detectar estos absorbentes en conjuntos de datos espectrales de cuásares masivos utilizando métodos de correlación convencionales. "Es como buscar una aguja en un pajar", afirma el profesor Ge.
En 2015, se descubrieron 66 absorbentes de carbono neutros en los espectros de decenas de miles de cuásares liberados anteriormente por el SDSS, lo que representa el mayor número de muestras obtenidas.
En este estudio, el equipo del profesor Ge diseñó y entrenó redes neuronales profundas con una gran cantidad de muestras simuladas de líneas de absorción de carbono neutro basadas en observaciones reales. Al aplicar estas redes neuronales bien entrenadas a los datos del SDSS-III, el equipo descubrió 107 absorbentes de carbono neutro extremadamente raros, duplicando el número de muestras obtenidas en 2015, y detectó más señales débiles que antes.
Al apilar los espectros de numerosos absorbentes de carbono neutro, el equipo mejoró significativamente la capacidad de detectar la abundancia de diversos elementos y midió directamente la pérdida de metal en el gas causada por el polvo.
Los resultados indicaron que estas primeras galaxias, que contienen sondas absorbentes de carbono neutro, experimentaron una rápida evolución física y química cuando el universo tenía sólo unos tres mil millones de años (la edad actual del universo es 13,8 mil millones). Estas galaxias estaban entrando en un estado de evolución entre la Gran Nube de Magallanes (LMC) y la Vía Láctea (MW), produciendo una cantidad sustancial de metales, algunos de los cuales se unieron para formar partículas de polvo, lo que provocó el efecto observado de enrojecimiento del polvo. /P>
Este descubrimiento corrobora de forma independiente hallazgos recientes del Telescopio Espacial James Webb (JWST), que detectó polvo de carbono similar a un diamante en las primeras estrellas del universo, lo que sugiere que algunas galaxias evolucionan mucho más rápido de lo que se esperaba anteriormente, desafiando los modelos existentes de formación y evolución de galaxias.
A diferencia del JWST, que realiza investigaciones a través de espectros de emisión de galaxias, este estudio investiga las galaxias tempranas observando los espectros de absorción de los cuásares. La aplicación de redes neuronales bien entrenadas para encontrar absorbentes de carbono neutros proporciona una nueva herramienta para futuras investigaciones sobre la evolución temprana del universo y las galaxias, complementando los métodos de investigación del JWST.
"Es necesario desarrollar algoritmos de IA innovadores que puedan explorar de forma rápida, precisa y exhaustiva señales raras y débiles en datos astronómicos masivos", afirmó el profesor Ge.
El equipo tiene como objetivo promover el método introducido en este estudio para el reconocimiento de imágenes mediante la extracción de múltiples estructuras relacionadas para crear imágenes artificiales "multiestructuradas" para un entrenamiento y detección eficientes de señales de imágenes débiles.
