Rappresentazione artistica di Euclide. Credito:ESA/ATG medialab (veicolo spaziale); NASA, ESA, CXC, C. Ma, H. Ebeling e E. Barrett (U. Hawaii/IfA), et al. e STScI (background)
La classificazione degli oggetti celesti è un problema di vecchia data. Con sorgenti a distanze quasi inimmaginabili, a volte è difficile per i ricercatori distinguere tra oggetti come stelle, galassie, quasar o supernove.
I ricercatori dell'Instituto de Astrofísica e Ciências do Espaço (IA) Pedro Cunha e Andrew Humphrey hanno cercato di risolvere questo problema classico creando SHEEP, un algoritmo di apprendimento automatico che determina la natura delle sorgenti astronomiche. Andrew Humphrey (IA &Università di Porto, Portogallo) commenta:"Il problema della classificazione degli oggetti celesti è molto impegnativo, in termini di numeri e complessità dell'universo, e l'intelligenza artificiale è uno strumento molto promettente per questo tipo di attività. "
Il primo autore dell'articolo, ora pubblicato sulla rivista Astronomy &Astrophysics , Pedro Cunha, un dottorato di ricerca. studente dell'IA e del Dipartimento di Fisica e dell'Università di Porto, afferma:"Questo lavoro è nato come progetto collaterale della mia tesi di laurea magistrale. Ha unito le lezioni apprese in quel periodo in un progetto unico."
Andrew Humphrey, consulente MSc di Pedro Cunha e ora Ph.D. Il co-relatore afferma:"È stato molto bello ottenere un risultato così interessante, soprattutto da una tesi di laurea".
SHEEP è una pipeline di apprendimento automatico supervisionata che stima i redshift fotometrici e utilizza queste informazioni per classificare successivamente le sorgenti come galassie, quasar o stelle. "Le informazioni fotometriche sono le più facili da ottenere e quindi è molto importante fornire una prima analisi sulla natura delle sorgenti osservate", afferma Pedro Cunha.
"Un nuovo passaggio nella nostra pipeline è che, prima di eseguire la classificazione, SHEEP stima innanzitutto i redshift fotometrici, che vengono quindi inseriti nel set di dati come funzionalità aggiuntiva per l'addestramento del modello di classificazione".
Il team ha scoperto che l'inclusione del redshift e delle coordinate degli oggetti ha permesso all'IA di comprenderli all'interno di una mappa 3D dell'universo e l'hanno usato insieme alle informazioni sul colore per fare stime migliori delle proprietà della sorgente. Ad esempio, l'IA ha appreso che esiste una maggiore possibilità di trovare stelle più vicine al piano della Via Lattea rispetto ai poli galattici. Humphrey ha aggiunto:"Quando abbiamo permesso all'IA di avere una visione 3D dell'universo, questo ha davvero migliorato la sua capacità di prendere decisioni accurate su cosa fosse ciascun oggetto celeste".
Rilievi su vasta area, sia terrestri che spaziali, come lo Sloan Digital Sky Survey (SDSS), hanno prodotto elevati volumi di dati, rivoluzionando il campo dell'astronomia. Indagini future, condotte da artisti del calibro del Vera C. Rubin Observatory, del Dark Energy Spectroscopic Instrument (DESI), della missione spaziale Euclid (ESA) o del James Webb Space Telescope (NASA/ESA) continueranno a fornirci informazioni più dettagliate imaging. Tuttavia, l'analisi di tutti i dati utilizzando i metodi tradizionali può richiedere molto tempo. L'intelligenza artificiale o l'apprendimento automatico saranno fondamentali per analizzare e utilizzare al meglio questi nuovi dati in termini scientifici.
Questo lavoro fa parte dello sforzo del team per sfruttare il previsto diluvio di dati provenienti da tali sondaggi, sviluppando sistemi di intelligenza artificiale in grado di classificare e caratterizzare in modo efficiente miliardi di fonti.
Mappa 3D dell'Universo, realizzata dalla collaborazione eBOSS presso SDSS. Credito:EPFL
Pedro Cunha afferma:"Una delle parti più interessanti è vedere come l'apprendimento automatico ci sta aiutando a comprendere meglio l'universo. La nostra metodologia ci mostra un possibile percorso, mentre ne vengono creati di nuovi lungo il processo. È un momento emozionante per l'astronomia. "
L'imaging e le indagini spettroscopiche sono una delle principali risorse per la comprensione del contenuto visibile dell'universo. I dati di queste indagini consentono studi statistici di stelle, quasar e galassie e la scoperta di oggetti più peculiari.
Il ricercatore principale Polychronis Papaderos afferma:"Lo sviluppo di algoritmi avanzati di Machine Learning, come SHEEP, è una componente integrante della strategia coerente di IA verso lo sfruttamento scientifico di insiemi di dati fotometrici senza precedenti per miliardi di galassie con la missione spaziale Euclide dell'ESA, prevista per il lancio nel 2023".
Euclide fornirà una cartografia dettagliata dell'universo e farà luce sulla natura dell'enigmatica materia oscura e dell'energia oscura. + Esplora ulteriormente
