Un metodo di apprendimento automatico chiamato "apprendimento profondo, " che è stato ampiamente utilizzato nel riconoscimento facciale e in altre applicazioni di riconoscimento vocale e di immagini, ha mostrato risultati promettenti nell'aiutare gli astronomi ad analizzare le immagini delle galassie e a capire come si formano ed evolvono.

In un nuovo studio, accettato per la pubblicazione in Giornale Astrofisico e disponibile online, i ricercatori hanno utilizzato simulazioni al computer della formazione delle galassie per addestrare un algoritmo di deep learning, che poi si è rivelato sorprendentemente bravo nell'analizzare le immagini delle galassie dal telescopio spaziale Hubble.

I ricercatori hanno utilizzato l'output delle simulazioni per generare immagini fittizie di galassie simulate come vedrebbero nelle osservazioni del telescopio spaziale Hubble. Le immagini fittizie sono state utilizzate per addestrare il sistema di apprendimento profondo a riconoscere tre fasi chiave dell'evoluzione delle galassie precedentemente identificate nelle simulazioni. I ricercatori hanno quindi fornito al sistema un ampio set di immagini Hubble reali da classificare.

I risultati hanno mostrato un notevole livello di coerenza nelle classificazioni della rete neurale delle galassie simulate e reali.

"Non ci aspettavamo che avesse tutto questo successo. Sono stupito di quanto sia potente, " ha detto il coautore Joel Primack, professore emerito di fisica e membro del Santa Cruz Institute for Particle Physics (SCIPP) presso l'UC Santa Cruz. "Sappiamo che le simulazioni hanno dei limiti, quindi non vogliamo fare un'affermazione troppo forte. Ma non pensiamo che questo sia solo un colpo di fortuna".

Le galassie sono fenomeni complessi, cambiando il loro aspetto mentre si evolvono nel corso di miliardi di anni, e le immagini delle galassie possono fornire solo istantanee nel tempo. Gli astronomi possono guardare più in profondità nell'universo e quindi "indietro nel tempo" per vedere le galassie precedenti (a causa del tempo impiegato dalla luce per percorrere distanze cosmiche), ma seguire l'evoluzione di una singola galassia nel tempo è possibile solo nelle simulazioni. Il confronto tra galassie simulate e galassie osservate può rivelare dettagli importanti delle galassie reali e delle loro probabili storie.

Nel nuovo studio, i ricercatori erano particolarmente interessati a un fenomeno visto nelle simulazioni nelle prime fasi dell'evoluzione delle galassie ricche di gas, quando grandi flussi di gas nel centro di una galassia alimentano la formazione di un piccolo, denso, regione di formazione stellare chiamata "pepita blu". (Giovane, le stelle calde emettono brevi lunghezze d'onda di luce "blu", quindi il blu indica una galassia con formazione stellare attiva, considerando che più vecchio, le stelle più fredde emettono più luce "rossa".)

Sia nei dati simulati che in quelli osservativi, il programma per computer ha scoperto che la fase della "pepita blu" si verifica solo nelle galassie con masse entro un certo intervallo. Questo è seguito dall'estinzione della formazione stellare nella regione centrale, portando ad una fase compatta di "pepita rossa". La consistenza della gamma di massa è stata una scoperta entusiasmante, perché suggerisce che l'algoritmo di deep learning sta identificando da solo uno schema che risulta da un processo fisico chiave che si verifica nelle galassie reali.

"Può darsi che in un certo intervallo di dimensioni, le galassie hanno la massa giusta per questo processo fisico, " ha detto il coautore David Koo, professore emerito di astronomia e astrofisica all'UC Santa Cruz.

I ricercatori hanno utilizzato simulazioni di galassie all'avanguardia (le simulazioni VELA) sviluppate da Primack e da un team internazionale di collaboratori, tra cui Daniel Ceverino (Università di Heidelberg), chi ha eseguito le simulazioni, e Avishai Dekel (Università Ebraica), che ne ha guidato l'analisi e l'interpretazione e ha sviluppato nuovi concetti fisici basati su di essi. Tutte queste simulazioni sono limitate, però, nella loro capacità di catturare la complessa fisica della formazione delle galassie.

In particolare, le simulazioni utilizzate in questo studio non includevano il feedback da nuclei galattici attivi (iniezione di energia dalla radiazione mentre il gas viene accresciuto da un buco nero supermassiccio centrale). Molti astronomi considerano questo processo un importante fattore che regola la formazione stellare nelle galassie. Tuttavia, osservazioni distanti, le giovani galassie sembrano mostrare prove del fenomeno che porta alla fase delle pepite blu visto nelle simulazioni.

Per i dati osservativi, il team ha utilizzato immagini di galassie ottenute attraverso il progetto CANDELS (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey), il più grande progetto nella storia del telescopio spaziale Hubble. Primo autore Marc Huertas-Company, astronomo all'Osservatorio di Parigi e all'Università Diderot di Parigi, aveva già svolto un lavoro pionieristico applicando metodi di deep learning alle classificazioni delle galassie utilizzando i dati CANDELS pubblicamente disponibili.

Koo, un co-investigatore di CANDELS, ha invitato Huertas-Company a visitare l'UC Santa Cruz per continuare questo lavoro. Google ha fornito supporto per il loro lavoro sul deep learning in astronomia attraverso donazioni di fondi per la ricerca a Koo e Primack, permettendo alla Huertas-Company di trascorrere le ultime due estati a Santa Cruz, con i piani per un'altra visita nell'estate del 2018.

"Questo progetto era solo una delle tante idee che avevamo, " ha detto Koo. "Volevamo scegliere un processo che i teorici possano definire chiaramente in base alle simulazioni, e questo ha qualcosa a che fare con l'aspetto di una galassia, quindi chiedi all'algoritmo di deep learning di cercarlo nelle osservazioni. Stiamo appena iniziando a esplorare questo nuovo modo di fare ricerca. È un nuovo modo di fondere teoria e osservazioni".

Per anni, Primack ha lavorato a stretto contatto con Koo e altri astronomi dell'UC Santa Cruz per confrontare le simulazioni della sua squadra sulla formazione e l'evoluzione delle galassie con le osservazioni di CANDELS. "Le simulazioni VELA hanno avuto molto successo nell'aiutarci a comprendere le osservazioni di CANDELS, " Disse Primack. "Nessuno ha simulazioni perfette, anche se. Mentre continuiamo questo lavoro, continueremo a sviluppare simulazioni migliori."

Secondo Koo, l'apprendimento profondo ha il potenziale per rivelare aspetti dei dati osservativi che gli esseri umani non possono vedere. Il rovescio della medaglia è che l'algoritmo è come una "scatola nera, " quindi è difficile sapere quali caratteristiche nei dati la macchina sta usando per fare le sue classificazioni. Le tecniche di interrogazione di rete possono identificare quali pixel in un'immagine hanno contribuito maggiormente alla classificazione, però, e i ricercatori hanno testato uno di questi metodi sulla loro rete.

"L'apprendimento profondo cerca schemi, e la macchina può vedere schemi così complessi che noi umani non li vediamo, " ha detto Koo. "Vogliamo fare molti più test di questo approccio, ma in questo studio proof-of-concept, la macchina sembrava trovare con successo nei dati le diverse fasi dell'evoluzione delle galassie identificate nelle simulazioni."

Nel futuro, Egli ha detto, gli astronomi avranno molti più dati osservativi da analizzare come risultato di grandi progetti di rilevamento e nuovi telescopi come il Large Synoptic Survey Telescope, il telescopio spaziale James Webb, e il Wide-Field Infrared Survey Telescope. L'apprendimento profondo e altri metodi di apprendimento automatico potrebbero essere strumenti potenti per dare un senso a questi enormi set di dati.

"Questo è l'inizio di un periodo molto entusiasmante per l'utilizzo dell'intelligenza artificiale avanzata in astronomia, " disse Koo.