Un diagramma che mostra una panoramica di alto livello dell'architettura del modello Deep-CEE. Questo nuovo strumento di deep learning è stato progettato per aiutare a trovare ammassi di galassie. Credito:M. C. Chan e J. P. Stott, MNRAS presentato e basato su Ren et al. 2015
Gli ammassi di galassie sono alcune delle strutture più massicce del cosmo, ma nonostante sia largo milioni di anni luce, possono ancora essere difficili da individuare. I ricercatori della Lancaster University si sono rivolti all'intelligenza artificiale per assistenza, sviluppare "Deep-CEE" (Deep Learning for Galaxy Cluster Extraction and Evaluation), una nuova tecnica di deep learning per accelerare il processo di ricerca. Matteo Chan, un dottorato di ricerca studente alla Lancaster University, presenta questo lavoro alla riunione nazionale di astronomia della Royal Astronomical Society il 4 luglio alle 15:45 nella sessione Machine Learning in Astrophysics.
La maggior parte delle galassie nell'universo vive in ambienti a bassa densità conosciuti come "il campo", o in piccoli gruppi, come quello che contiene la nostra Via Lattea e Andromeda. Gli ammassi di galassie sono più rari, ma rappresentano gli ambienti più estremi in cui possono vivere le galassie e studiarli può aiutarci a comprendere meglio la materia oscura e l'energia oscura.
Durante gli anni '50 il pioniere della scoperta di ammassi di galassie, l'astronomo George Abell, passato molti anni alla ricerca di ammassi di galassie a occhio, utilizzando una lente di ingrandimento e lastre fotografiche per individuarli. Abell ha analizzato manualmente circa 2, 000 lastre fotografiche, cercando le firme visive degli ammassi di galassie, e dettagliando le coordinate astronomiche delle regioni dense di galassie. Il suo lavoro ha portato al "catalogo Abell" degli ammassi di galassie trovati nell'emisfero settentrionale.
Deep-CEE si basa sull'approccio di Abell per l'identificazione degli ammassi di galassie, ma sostituisce l'astronomo con un modello di intelligenza artificiale che è stato addestrato a "guardare" le immagini a colori e identificare gli ammassi di galassie. Si tratta di un modello all'avanguardia basato su reti neurali, che sono progettati per imitare il modo in cui un cervello umano impara a riconoscere gli oggetti attivando neuroni specifici durante la visualizzazione di modelli e colori distintivi.
Chan ha addestrato l'IA mostrandole ripetutamente esempi di noti, etichettato, oggetti nelle immagini finché l'algoritmo non è in grado di imparare ad associare gli oggetti da solo. Quindi ha condotto uno studio pilota per testare la capacità dell'algoritmo di identificare e classificare gli ammassi di galassie in immagini che contengono molti altri oggetti astronomici.
Immagine che mostra l'ammasso di galassie Abell1689. Il nuovo strumento di deep learning Deep-CEE è stato sviluppato per accelerare il processo di ricerca di ammassi di galassie come questo, e prende ispirazione nel suo approccio dal pioniere della scoperta degli ammassi di galassie, Giorgio Abell, che ha cercato manualmente migliaia di lastre fotografiche negli anni '50. Credito:NASA/ESA
"Abbiamo applicato con successo Deep-CEE allo Sloan Digital Sky Survey", afferma Chan, "in definitiva, eseguiremo il nostro modello su rilievi rivoluzionari come il telescopio Large Synoptic Survey (LSST) che sonderà più a lungo e più in profondità in regioni dell'Universo mai esplorate prima.
Nuovi telescopi all'avanguardia hanno permesso agli astronomi di osservare più ampi e più profondi che mai, come studiare la struttura su larga scala dell'universo e mappare il suo vasto contenuto da scoprire.
Automatizzando il processo di scoperta, gli scienziati possono scansionare rapidamente set di immagini, e restituire previsioni precise con un'interazione umana minima. Questo sarà essenziale per analizzare i dati in futuro. L'imminente rilevamento del cielo LSST (che dovrebbe essere online nel 2021) riprenderà i cieli dell'intero emisfero australe, generando una stima di 15 TB di dati ogni notte.
"Le tecniche di data mining come il deep learning ci aiuteranno ad analizzare gli enormi risultati dei moderni telescopi", afferma il dott. John Stott (supervisore del Ph.D. di Chan). "Ci aspettiamo che il nostro metodo trovi migliaia di cluster mai visti prima dalla scienza".
Chan presenterà i risultati del suo articolo "Fishing for galaxy clusters with "Deep-CEE" neural nets" il 4 luglio alle 15:45 nella sessione "Machine Learning in Astrophysics". (Chan e Stott 2019) che è stato presentato a MNRAS e può essere trovato su Arxiv .
