「ディープラーニング」と呼ばれる機械学習手法に多くの注意が向けられています。コンピュータは、特にプログラムすることなく、データのパターンを見分けることができます。近年、この手法は、Facebookなどのソーシャルメディアプラットフォーム用の音声認識や顔認識を含む多くのアプリケーションに適用されています。
しかし、天文学者は銀河の画像を分析し、それらがどのように形成され進化するかを理解するのに役立つディープラーニングからも恩恵を受けています。新しい研究では、国際的な研究者のチームが深層学習アルゴリズムを使用して、宇宙からの銀河の画像を分析しました ハッブル宇宙望遠鏡。この方法は、進化のどの段階にあるかに基づいてこれらの銀河を分類するのに効果的であることが判明しました。
この研究は、「ディープラーニングが特徴的な質量範囲の中央の青いナゲット相にある高z銀河を特定する」というタイトルで、最近オンラインで公開され、 天体物理ジャーナル。 この研究は、パリディドロ大学のマークユルテス社が主導し、カリフォルニア大学サンタクルーズ校（UCSC）、ヘブライ大学、宇宙望遠鏡科学研究所、ペンシルベニア大学フィラデルフィア校、MINES ParisTechおよび上海師範大学のメンバーが参加しました。 （SNHU）。
Marc Huertas-Companyはこれまで、ディープラーニング手法を ハッブル 銀河の分類のためのデータ。 Huertas-Companyとチームは、UCサンタクルーズの名誉教授であるDavid KooとJoel Primackと共同で（そしてGoogleからのサポートを得て）、過去2年間の夏に、さまざまな段階で銀河を特定できるニューラルネットワークを開発しました彼らの進化の中で。
「このプロジェクトは、私たちが持っていたいくつかのアイデアの1つにすぎませんでした。 「シミュレーションに基づいて理論家が明確に定義できるプロセスを選択したかったのですが、それは銀河の見え方と関係があり、観測でディープラーニングアルゴリズムがそれを探すようにしました。私たちは、この新しい調査方法を模索し始めたばかりです。理論と観察を融合させる新しい方法です。」
彼らの研究のために、研究者たちはコンピュータシミュレーションを使用して、銀河の模擬画像を生成しました。 ハッブル宇宙望遠鏡。モック画像は、以前にシミュレーションで特定されていた銀河の進化の3つの主要な段階を認識するために、深層学習ニューラルネットワークをトレーニングするために使用されました。その後、研究者はネットワークを使用して、実際のハッブル画像の大量のセットを分析しました。
Huertas-Companyによって分析された以前の画像と同様に、これらの画像はハッブルの宇宙アセンブリ近赤外線ディープギャラクティックレガシー調査（CANDELS）プロジェクトの一部です–史上最大のプロジェクト ハッブル宇宙望遠鏡。彼らが見つけたのは、シミュレーションされた銀河と実際の銀河のニューラルネットワークの分類が非常に一貫していることでした。 Joel Primackが説明したように：
「私たちはそれがそれほど成功することを期待していませんでした。これがどれほど強力であるかに驚いています。シミュレーションには制限があることは承知しており、あまり強く主張したくない。しかし、これは幸運なまぐれだけではないと思います。」
研究チームは特に、「青いナゲット」として知られている小さく高密度の星形成領域をもつ銀河に興味を持っていました。これらの領域は、ガスが豊富な銀河の進化の初期に発生します。銀河の中心へのガスの大きな流れが原因で、青い光を放つ若い星が形成されます。これらの銀河や他の種類の銀河をシミュレートするために、チームはPrimackおよび国際的な協力者チームによって開発された最先端のVELAシミュレーションに依存していました。
シミュレーションデータと観測データの両方で、コンピュータープログラムは、「青いナゲット」フェーズが特定の範囲内の質量を持つ銀河でのみ発生することを発見しました。これに続いて、中央領域で終了する星の形成があり、コンパクトな「赤いナゲット」フェーズに至ります。中央領域の星は、メインシーケンスフェーズを出て赤い巨人になります。
質量範囲の一貫性はエキサイティングでした。ニューラルネットワークが実際の銀河の主要な物理的プロセスから生じるパターンを特定していることを示していたためです。特に指示する必要はありませんでした。 Kooが指摘したように、この研究は天文学とAIにとって大きな前進ですが、まだ多くの研究を行う必要があります。
「VELAシミュレーションは、CANDELSの観測を理解するのに役立つという点で多くの成功を収めてきました。完璧なシミュレーションは誰にもありません。この作業を続けるにつれ、より良いシミュレーションを開発していきます。」
たとえば、チームのシミュレーションには、アクティブ銀河核（AGN）が果たす役割は含まれていませんでした。より大きな銀河では、ガスとダストがコアの中央の超大質量ブラックホール（SMBH）に付着し、ガスと放射線が巨大なジェットで放出されます。最近のいくつかの研究では、これが銀河の星形成に抑止効果をもたらす可能性があることが示されています。
ただし、遠くの若い銀河の観測では、ガスの豊富なコアが青いナゲット相に至るチームのシミュレーションで観測された現象の証拠が示されています。 Kooによれば、銀河の進化を研究するためにディープラーニングを使用すると、観測データのこれまで検出されなかった側面を明らかにする可能性があります。銀河を時間の経過とともにスナップショットとして観察する代わりに、天文学者は数十億年にわたって銀河がどのように進化するかをシミュレーションすることができます。
「ディープラーニングはパターンを探し、マシンは非常に複雑なパターンを見ることができるため、私たち人間には見えません」と彼は言った。 「このアプローチをさらにテストしたいのですが、この概念実証研究では、シミュレーションで特定された銀河の進化のさまざまな段階を機械がデータから見つけ出すことに成功したようです。」
将来的には、天文学者は次のような次世代望遠鏡の配備により、分析する観測データが増えるでしょう。 大型総観調査望遠鏡 （LSST）、 ジェームズウェッブ宇宙望遠鏡 （JWST）、および 広視野赤外線サーベイ望遠鏡 （WFIRST）。これらの望遠鏡はさらに大規模なデータセットを提供し、それを機械学習手法で分析して、存在するパターンを判別できます。
天文学と人工知能。宇宙についての理解を深めるために協力しています。私もそれをすべての理論（ToE）を見つけるというタスクに置くべきかどうか疑問に思います！
