Rất nhiều sự chú ý đã được dành cho kỹ thuật học máy được biết đến như là học sâu, trong đó máy tính có khả năng tạo ra các mẫu tinh vi trong dữ liệu mà không được lập trình cụ thể để làm như vậy. Trong những năm gần đây, kỹ thuật này đã được áp dụng cho một số ứng dụng, bao gồm nhận dạng giọng nói và khuôn mặt cho các nền tảng truyền thông xã hội như Facebook.
Tuy nhiên, các nhà thiên văn học cũng được hưởng lợi từ việc học sâu, điều này giúp họ phân tích hình ảnh của các thiên hà và hiểu cách chúng hình thành và phát triển. Trong một nghiên cứu mới, một nhóm các nhà nghiên cứu quốc tế đã sử dụng thuật toán học sâu để phân tích hình ảnh của các thiên hà từ Kính thiên văn vũ trụ Hubble. Phương pháp này tỏ ra hiệu quả trong việc phân loại các thiên hà này dựa trên giai đoạn chúng tiến hóa.
Nghiên cứu có tựa đề là Deep Deep Learning xác định các thiên hà z cao trong giai đoạn Nugget màu xanh trung tâm trong phạm vi khối lượng đặc trưng, gần đây đã xuất hiện trực tuyến và đã được chấp nhận để xuất bản trong Tạp chí vật lý thiên văn. Nghiên cứu được dẫn dắt bởi Marc Huertes-Company của Đại học Paris Diderot và bao gồm các thành viên của Đại học California Santa Cruz (UCSC), Đại học Do Thái, Viện Khoa học Kính viễn vọng Không gian, Đại học Pennsylvania Philadelphia, MINES ParisTech và Đại học Sư phạm Thượng Hải (SNHU).
Trước đây, Marc Huertas-Company đã áp dụng các phương pháp học sâu vào Hubble dữ liệu vì lợi ích của phân loại thiên hà. Phối hợp với David Koo và Joel Primack, cả hai đều là giáo sư danh dự tại UC Santa Cruz (và với sự hỗ trợ từ Google), Huertas-Company và nhóm đã dành hai mùa hè vừa qua để phát triển một mạng lưới thần kinh có thể xác định các thiên hà ở các giai đoạn khác nhau. trong sự tiến hóa của họ.
Dự án này chỉ là một trong một số ý tưởng mà chúng tôi có, Koo nói trong một thông cáo báo chí gần đây của USCS. Chúng tôi muốn chọn một quy trình mà các nhà lý thuyết có thể xác định rõ ràng dựa trên các mô phỏng và điều đó có liên quan đến hình dạng của một thiên hà, sau đó có thuật toán học sâu tìm kiếm nó trong các quan sát. Chúng tôi chỉ mới bắt đầu khám phá cách thức nghiên cứu mới này. Nó có một cách mới để kết hợp lý thuyết và quan sát.
Vì lợi ích của nghiên cứu, các nhà nghiên cứu đã sử dụng mô phỏng máy tính để tạo ra hình ảnh giả của các thiên hà khi chúng nhìn vào các quan sát của Kính thiên văn vũ trụ Hubble. Các hình ảnh giả được sử dụng để huấn luyện mạng lưới thần kinh học tập sâu để nhận ra ba giai đoạn chính của quá trình tiến hóa thiên hà đã được xác định trước đây trong các mô phỏng. Sau đó, các nhà nghiên cứu đã sử dụng mạng để phân tích một tập hợp lớn các hình ảnh Hubble thực tế.
Cũng như những hình ảnh trước đây được Huertas-Company phân tích, những hình ảnh này là một phần của dự án Khảo sát di sản ngoài vũ trụ sâu hồng ngoại (CANDELS) của Hubble - một dự án lớn nhất trong lịch sử Kính thiên văn vũ trụ Hubble. Những gì họ tìm thấy là các phân loại mạng nơ-ron thần kinh của các thiên hà mô phỏng và thực được thống nhất đáng kể. Như Joel Primack đã giải thích:
Chúng tôi không mong đợi nó sẽ thành công như vậy. Tôi đã ngạc nhiên trước sức mạnh của nó. Chúng tôi biết các mô phỏng có những hạn chế, vì vậy chúng tôi không muốn tuyên bố quá mạnh mẽ. Nhưng chúng tôi không nghĩ rằng đây chỉ là một con sán may mắn.
Nhóm nghiên cứu đặc biệt quan tâm đến các thiên hà có một khu vực hình thành sao nhỏ, dày đặc, được gọi là nugget xanh. Những vùng này xuất hiện sớm trong quá trình tiến hóa của các thiên hà giàu khí, khi các luồng khí lớn vào trung tâm thiên hà gây ra sự hình thành của các ngôi sao trẻ phát ra ánh sáng xanh. Để mô phỏng các loại thiên hà này và các loại thiên hà khác, nhóm nghiên cứu đã dựa vào các mô phỏng VELA tiên tiến được phát triển bởi Primack và một nhóm cộng tác viên quốc tế.
Trong cả dữ liệu mô phỏng và quan sát, chương trình máy tính đã phát hiện ra rằng pha nugget màu xanh da trời chỉ xảy ra ở các thiên hà có khối lượng trong một phạm vi nhất định. Tiếp theo đó là sự hình thành sao kết thúc ở khu vực trung tâm, dẫn đến giai đoạn nugget đỏ nhỏ gọn, nơi các ngôi sao ở khu vực trung tâm thoát khỏi pha chuỗi chính của chúng và trở thành người khổng lồ đỏ.
Tính nhất quán của phạm vi khối rất thú vị bởi vì nó chỉ ra rằng mạng lưới thần kinh đang xác định một mô hình xuất phát từ một quá trình vật lý quan trọng trong các thiên hà thực sự - và không cần phải nói cụ thể để làm như vậy. Như Koo đã chỉ ra, nghiên cứu này là một bước tiến lớn cho thiên văn học và AI, nhưng rất nhiều nghiên cứu vẫn cần phải được thực hiện:
Các mô phỏng VELA đã có rất nhiều thành công về mặt giúp chúng tôi hiểu các quan sát của CANDELS. Không ai có mô phỏng hoàn hảo, mặc dù. Khi chúng tôi tiếp tục công việc này, chúng tôi sẽ tiếp tục phát triển các mô phỏng tốt hơn.
Chẳng hạn, các mô phỏng nhóm Team không bao gồm vai trò của Active Galactic Nuclei (AGN). Trong các thiên hà lớn hơn, khí và bụi được tích tụ vào Hố đen siêu khối trung tâm (SMBH) ở lõi, khiến khí và phóng xạ bị đẩy ra trong các tia nước lớn. Một số nghiên cứu gần đây đã chỉ ra làm thế nào điều này có thể có tác động bắt giữ đối với sự hình thành sao trong các thiên hà.
Tuy nhiên, các quan sát về các thiên hà xa xôi, trẻ hơn đã cho thấy bằng chứng về hiện tượng quan sát được trong các mô phỏng đội, nơi các lõi giàu khí dẫn đến pha nugget màu xanh. Theo Koo, sử dụng học tập sâu để nghiên cứu tiến hóa thiên hà có khả năng tiết lộ các khía cạnh chưa được phát hiện trước đây của dữ liệu quan sát. Thay vì quan sát các thiên hà như những bức ảnh chụp kịp thời, các nhà thiên văn học sẽ có thể mô phỏng cách chúng phát triển trong hàng tỷ năm.
Học sâu tìm kiếm các mẫu, và máy có thể thấy các mẫu phức tạp đến mức con người chúng ta không thể nhìn thấy chúng, anh nói. Chúng tôi muốn thử nghiệm nhiều hơn về phương pháp này, nhưng trong nghiên cứu bằng chứng này, cỗ máy dường như tìm thấy thành công trong dữ liệu các giai đoạn khác nhau của quá trình tiến hóa thiên hà được xác định trong các mô phỏng.
Trong tương lai, các nhà thiên văn học sẽ có nhiều dữ liệu quan sát để phân tích nhờ vào việc triển khai các kính viễn vọng thế hệ tiếp theo như Kính thiên văn khảo sát khái quát lớn (LSST), Kính viễn vọng không gian James Webb (JWST) và Kính thiên văn khảo sát hồng ngoại diện rộng (HIỆN TẠI). Những kính thiên văn này sẽ cung cấp các bộ dữ liệu lớn hơn, sau đó có thể được phân tích bằng các phương pháp học máy để xác định mô hình nào tồn tại.
Thiên văn học và trí tuệ nhân tạo, làm việc cùng nhau để hiểu rõ hơn về Vũ trụ. Tôi tự hỏi liệu chúng ta có nên đặt nó vào nhiệm vụ tìm kiếm một Lý thuyết về mọi thứ (ToE) không!
