Recentemente, un team internazionale guidato dal Prof. Ge Jian dell'Osservatorio Astronomico di Shanghai dell'Accademia Cinese delle Scienze ha condotto una ricerca di rari segnali deboli nei dati spettrali dei quasar rilasciati dal programma Sloan Digital Sky Survey III (SDSS-III) utilizzando il deep learning. reti neurali.
Introducendo un nuovo metodo per esplorare la formazione e l’evoluzione delle galassie, il team ha mostrato il potenziale dell’intelligenza artificiale (AI) nell’identificare rari segnali deboli nei big data astronomici. Lo studio è stato pubblicato su Monthly Notice of the Royal Astronomical Society .
Gli "assorbitori neutri di carbonio" dal gas freddo con la polvere nell'universo servono come sonde cruciali per lo studio della formazione e dell'evoluzione delle galassie. Tuttavia, i segnali delle linee neutre di assorbimento del carbonio sono deboli ed estremamente rari.
Gli astronomi hanno faticato a rilevare questi assorbitori in enormi set di dati spettrali dei quasar utilizzando metodi di correlazione convenzionali. "È come cercare un ago in un pagliaio", ha affermato il Prof. Ge.
Nel 2015, sono stati scoperti 66 assorbitori neutri di carbonio negli spettri di decine di migliaia di quasar rilasciati in precedenza da SDSS, che rappresenta il maggior numero di campioni ottenuti.
In questo studio, il team del Prof. Ge ha progettato e addestrato reti neurali profonde con un gran numero di campioni simulati di linee di assorbimento del carbonio neutro basate su osservazioni reali. Applicando queste reti neurali ben addestrate ai dati SDSS-III, il team ha scoperto 107 assorbitori di carbonio neutri estremamente rari, raddoppiando il numero di campioni ottenuti nel 2015, e ha rilevato segnali più deboli rispetto a prima.
Sommando gli spettri di numerosi assorbitori di carbonio neutro, il team ha migliorato significativamente la capacità di rilevare l'abbondanza di vari elementi e ha misurato direttamente la perdita di metalli nel gas causata dalla polvere.
I risultati hanno indicato che queste galassie primordiali, contenenti sonde neutre che assorbono il carbonio, hanno subito una rapida evoluzione fisica e chimica quando l’universo aveva solo circa tre miliardi di anni (l’età attuale dell’universo è di 13,8 miliardi). Queste galassie stavano entrando in uno stato di evoluzione tra la Grande Nube di Magellano (LMC) e la Via Lattea (MW), producendo una notevole quantità di metalli, alcuni dei quali legati per formare particelle di polvere, portando all'effetto osservato dell'arrossamento della polvere. /P>
Questa scoperta corrobora in modo indipendente le recenti scoperte del James Webb Space Telescope (JWST) che hanno rilevato polvere di carbonio simile al diamante nelle prime stelle dell’universo, suggerendo che alcune galassie si evolvono molto più velocemente di quanto precedentemente previsto, sfidando i modelli esistenti di formazione ed evoluzione delle galassie.
A differenza del JWST che conduce ricerche attraverso gli spettri di emissione delle galassie, questo studio indaga le galassie primordiali osservando gli spettri di assorbimento dei quasar. L'applicazione di reti neurali ben addestrate per trovare assorbitori neutri di carbonio fornisce un nuovo strumento per la ricerca futura sull'evoluzione iniziale dell'universo e delle galassie, integrando i metodi di ricerca del JWST.
"È necessario sviluppare algoritmi di intelligenza artificiale innovativi in grado di esplorare in modo rapido, accurato e completo segnali rari e deboli in enormi quantità di dati astronomici", ha affermato il prof. Ge.
Il team mira a promuovere il metodo introdotto in questo studio per il riconoscimento delle immagini estraendo più strutture correlate per creare immagini artificiali "multi-struttura" per un addestramento efficiente e il rilevamento di segnali di immagini deboli.
