Представление художника о черной дыре. Это представление включает в себя диск перегретого материала, который притягивается гравитационным полем, а также струи материала, извергаемые перпендикулярно диску. Эти джеты ярко светятся на радиочастотах — сигнал, который авторы исследования смогли предсказать на основе автоматического анализа астрономических изображений с использованием методов машинного обучения. Источник: eso.org/public/portugal/images/eso2305b/. Фото: С. Даньелло (NRAO/AUI/NSF)
Насколько хватает глаз, галактики заполняют образы глубокой Вселенной. Какие процессы определили их форму, цвет и популяцию звезд? Астрономы полагают, что первичные черные дыры были двигателями роста и трансформации галактик и могут объяснить космический ландшафт, который мы видим сейчас.
Предстоящие обзоры неба с помощью радиотелескопов позволят захватить миллионы галактик в ранней Вселенной, но только автоматические инструменты, такие как алгоритм, созданный командой под руководством Института астрофизики и космических наук (IA), смогут прочитать этот поток данных и найти галактики. с массивными черными дырами в центре.
В статье, опубликованной сегодня (6 декабря) в журнале Astronomy & Astrophysicals, международная группа под руководством Родриго Карвахаля из Института астрофизики и космических наук (IA) и факультета наук Лиссабонского университета (Ciências ULisboa) , представляет метод машинного обучения, который распознает сверхяркие галактики в ранней Вселенной.
Считается, что в этих галактиках доминирует активность ненасытной черной дыры в их ядре. По мнению авторов, это должен быть первый алгоритм, который предсказывает, когда эта деятельность также излучает интенсивный сигнал на радиочастотах. Радиоизлучения часто отличаются от другого света галактики, и иногда их трудно связать. Эта техника искусственного интеллекта позволит астрономам быть более эффективными в поиске так называемых радиогалактик.
Алгоритм, разработанный в сотрудничестве с компанией Closer, работающей в секторе технологических решений для науки о данных, был обучен на изображениях галактик, полученных в нескольких длинах волн электромагнитного спектра. При тестировании с другими изображениями он смог предсказать в четыре раза больше радиогалактик, чем традиционные методы, использующие явные инструкции.
Поскольку машинное обучение разрабатывает свои собственные алгоритмы, попытка понять его успех может помочь прояснить физические явления, которые происходили в этих галактиках спустя 1,5 миллиарда лет после Большого взрыва, то есть когда Вселенная была в десять раз моложе своего нынешнего возраста.
«Мы должны найти больше активных галактик на небе, потому что есть предсказания, что в ранней истории Вселенной их должно было существовать гораздо больше. При нынешних наблюдениях у нас нет такого количества», — говорит Карвахаль. По мнению этого исследователя, необходимы дополнительные наблюдения, чтобы проверить, правильно ли нынешнее понимание того, как развиваются активные галактики, или его необходимо изменить.
«Также важно проанализировать сами модели машинного обучения и понять, что происходит внутри них», — добавляет Карвахаль. «Какие характеристики наиболее важны для принятия решения? Например, мы хотим знать, является ли наиболее важной особенностью модуля, утверждающего, что он является активной галактикой, свет, излучаемый галактикой в инфракрасном диапазоне, что, возможно, указывает на быстрое Формирование новых звезд. Благодаря этому мы можем создать новый закон, позволяющий разделить нормальную галактику и активную галактику».
Относительный вес особенностей галактики в решении, принимаемом компьютером, может указывать на то, что является причиной ее интенсивной активности, в частности, в радиодиапазоне. В готовящемся исследовании Карвахаль изучает последствия этой очевидной зависимости между радиоизлучением и образованием звезд.
Исраэль Матуте из IA и Сьенсиас Улисбоа, второй автор статьи, поясняют: «Эти модели представляют собой математические инструменты, которые помогают нам смотреть в правильном направлении, когда сложность данных увеличивается. Эта работа может дать представление о процессах, которые остановил образование новых звезд во второй половине истории Вселенной».
Галактики, которых, казалось бы, не хватало в первичной Вселенной, могут оказаться в большой массе данных, которые современные радиотелескопы дадут в ближайшие годы. Будущие исследования обширных областей неба откроют миллиарды галактик. Одним из примеров является Эволюционная карта Вселенной (EMU), которая нанесет на карту все южное небесное полушарие с помощью радиотелескопа ASKAP в Австралии.
Команда под руководством IA уже работает с данными пилотного проекта этого исследования. После совершенствования эти инструменты будут иметь решающее значение для обработки астрономического объема данных, которые будет производить будущая обсерватория с массивом квадратных километров (SKAO). Португалия является членом консорциума этой обсерватории, которая уже строится.
«В новую эпоху, когда астрономия будет иметь доступ к огромным объемам данных, становится все более важным развитие передовых методов их обработки и анализа», — говорит Хосе Афонсо из IA и Ciências ULisboa и соавтор этой статьи. «В IA мы разрабатываем и внедряем эти методы, чтобы иметь возможность расшифровать происхождение галактик и сверхмассивных черных дыр, в которых находится большинство из них».
Идею сотрудничества компании Closer и IA выдвинула один из соавторов, Хелена Круз, доктор философии. Доктор философии по физике и специалист по данным в Closer. Ее участие сыграло ключевую роль в анализе и обработке влияния неопределенностей и несоответствий между различными источниками данных, поступающими от нескольких телескопов и программ наблюдения, которые использовались для обучения алгоритма машинного обучения.
Набор радиогалактик — галактик со значительным излучением на радиочастотах — наблюдаемых с помощью радиотелескопа LOFAR, наложенных на одну и ту же область неба в видимом свете. Очевидны масштабы радиоизлучения, отличные от видимой части галактики. Это некоторые из галактик, используемых при обучении алгоритма машинного обучения, разработанного этой исследовательской группой. Фото: Джудит Кростон и исследовательская группа LOFAR.
«Я осознал, что астрономия — это область с большими возможностями для исследования и разработки моделей машинного обучения, и для меня имело смысл применить свои профессиональные навыки в этой области», — говорит Круз. «Я поделился своим интересом с Closer, и обе стороны сразу же проявили готовность к сотрудничеству, что я рассматриваю как продолжение моей работы в компании».
«Closer процветает благодаря знаниям своих сотрудников, это его столица», — добавляет Жоау Пирес да Круз, соучредитель Closer, профессор и исследователь. «Чем более сложными и сложными с научной точки зрения являются проекты, в которых участвуют члены нашей команды, тем больше будет капитал компании. У нас будут сотрудники, способные решать проблемы наших клиентов, аналогичные проблеме сигналы из далеких галактик».
Информация от: Институтом астрофизики и космических наук.
