Астрономия

Астрономы обнаружили редкие нейтральные атомно-углеродные поглотители с помощью глубокой нейронной сети

Астрономы обнаружили редкие нейтральные атомно-углеродные поглотители с помощью глубокой нейронной сети

Впечатления художника: наземный телескоп Sloan Digital Sky Survey зафиксировал огромное количество спектров квазаров ранней Вселенной. Обученная глубокая нейронная сеть искусственного интеллекта впервые обнаружила в спектральных данных квазара рекордные зонды линий слабого нейтрального поглощения углерода, созданные холодной средой ранних галактик. 1 кредит

Недавно международная группа под руководством профессора Гэ Цзяня из Шанхайской астрономической обсерватории Китайской академии наук провела поиск редких слабых сигналов в спектральных данных квазаров, опубликованных программой Sloan Digital Sky Survey III (SDSS-III), с использованием глубокого обучения. нейронные сети.

Представив новый метод изучения формирования и эволюции галактик, команда продемонстрировала потенциал искусственного интеллекта (ИИ) в выявлении редких слабых сигналов в больших астрономических данных. Исследование было опубликовано в Ежемесячных уведомлениях Королевского астрономического общества.

«Нейтральные углеродные поглотители» из холодного газа и пыли во Вселенной служат важными зондами для изучения формирования и эволюции галактик. Однако сигналы линий поглощения нейтрального углерода слабы и крайне редки.

Астрономы изо всех сил пытались обнаружить эти поглотители в массивных наборах спектральных данных квазаров, используя традиционные методы корреляции. «Это все равно, что искать иголку в стоге сена», — сказал профессор Ге.

В 2015 году в спектрах десятков тысяч квазаров, выпущенных ранее SDSS, было обнаружено 66 нейтральных углеродных поглотителей, что является наибольшим числом полученных образцов.

В этом исследовании команда профессора Ге спроектировала и обучила глубокие нейронные сети с большим количеством смоделированных образцов линий поглощения нейтрального углерода на основе реальных наблюдений. Применяя эти хорошо обученные нейронные сети к данным SDSS-III, команда обнаружила 107 чрезвычайно редких нейтральных углеродных поглотителей, удвоив количество образцов, полученных в 2015 году, и обнаружила больше слабых сигналов, чем раньше.

Сопоставив спектры многочисленных нейтральных углеродных поглотителей, команда значительно расширила возможности обнаружения содержания различных элементов и непосредственного измерения потерь металла в газе, вызванных пылью.

Результаты показали, что эти ранние галактики, содержащие зонды-поглотители нейтрального углерода, претерпели быструю физическую и химическую эволюцию, когда Вселенной было всего около трех миллиардов лет (нынешний возраст Вселенной составляет 13,8 миллиардов). Эти галактики вступали в состояние эволюции между Большим Магеллановым Облаком (БМО) и Млечным Путем (МВ), производя значительное количество металлов, некоторые из которых связывались, образуя частицы пыли, что приводило к наблюдаемому эффекту покраснения пыли.

Это открытие независимо подтверждает недавние результаты космического телескопа Джеймса Уэбба (JWST), который обнаружил алмазоподобную углеродную пыль в самых ранних звездах во Вселенной, предполагая, что некоторые галактики развиваются гораздо быстрее, чем ожидалось ранее, бросая вызов существующим моделям формирования и эволюции галактик.

В отличие от JWST, который проводит исследования спектров излучения галактик, это исследование исследует ранние галактики, наблюдая спектры поглощения квазаров. Применение хорошо обученных нейронных сетей для поиска нейтральных поглотителей углерода предоставляет новый инструмент для будущих исследований ранней эволюции Вселенной и галактик, дополняя методы исследования JWST.

«Необходимо разработать инновационные алгоритмы искусственного интеллекта, которые смогут быстро, точно и всесторонне исследовать редкие и слабые сигналы в огромных астрономических данных», — сказал профессор Ге.

Команда стремится продвигать метод распознавания изображений, представленный в этом исследовании, путем извлечения множества связанных структур для создания искусственных «мультиструктурных» изображений для эффективного обучения и обнаружения слабых сигналов изображения.

Информация от: Китайской академией наук

Кнопка «Наверх»