Muita atenção foi dedicada à técnica de aprendizado de máquina conhecida como "aprendizado profundo", em que os computadores são capazes de discernir padrões nos dados sem serem especificamente programados para isso. Nos últimos anos, essa técnica foi aplicada a várias aplicações, que incluem reconhecimento de voz e facial para plataformas de mídia social como o Facebook.
No entanto, os astrônomos também estão se beneficiando do aprendizado profundo, o que os ajuda a analisar imagens de galáxias e entender como elas se formam e evoluem. Em um novo estudo, uma equipe de pesquisadores internacionais utilizou um algoritmo de aprendizado profundo para analisar imagens de galáxias da telescópio espacial Hubble. Esse método se mostrou eficaz na classificação dessas galáxias com base em qual estágio elas estavam em sua evolução.
O estudo, intitulado "Aprendizagem Profunda Identifica Galáxias High-z em uma Fase de Pepita Azul Central em uma Faixa de Massa Característica", apareceu recentemente on-line e foi aceito para publicação no Jornal Astrofísico. O estudo foi liderado por Marc Huertes-Company da Universidade Paris Diderot e incluiu membros da Universidade da Califórnia Santa Cruz (UCSC), da Universidade Hebraica, do Instituto de Ciências do Telescópio Espacial, da Universidade da Pensilvânia na Filadélfia, da Universidade da Pensilvânia na Filadélfia, da MINES ParisTech e da Universidade Normal de Xangai (SNHU).
No passado, a Marc Huertas-Company já aplicou métodos de aprendizado profundo para Hubble dados para a classificação da galáxia. Em colaboração com David Koo e Joel Primack, ambos professores eméritos na UC Santa Cruz (e com o apoio do Google), a Huertas-Company e a equipe passaram os dois últimos verões desenvolvendo uma rede neural capaz de identificar galáxias em diferentes estágios em sua evolução.
"Este projeto foi apenas uma das várias idéias que tivemos", disse Koo em um recente comunicado à imprensa do USCS. “Queríamos escolher um processo que os teóricos possam definir claramente com base nas simulações, e que tenha algo a ver com a aparência de uma galáxia, e fazer com que o algoritmo de aprendizado profundo o procure nas observações. Estamos apenas começando a explorar essa nova maneira de fazer pesquisas. É uma nova maneira de fundir teoria e observações. "
Para o estudo, os pesquisadores usaram simulações em computador para gerar imagens simuladas de galáxias, como observariam nas observações do telescópio espacial Hubble. As imagens simuladas foram usadas para treinar a rede neural de aprendizado profundo para reconhecer três fases principais da evolução da galáxia que haviam sido previamente identificadas nas simulações. Os pesquisadores usaram a rede para analisar um grande conjunto de imagens reais do Hubble.
Como nas imagens anteriores divulgadas pela Huertas-Company, essas imagens fazem parte do projeto CANDELS (CANDELS) - o maior projeto da história da NASA. telescópio espacial Hubble. O que eles descobriram foi que as classificações da rede neural de galáxias simuladas e reais eram notavelmente consistentes. Como Joel Primack explicou:
“Não esperávamos que tivesse tanto sucesso. Estou impressionado com o quão poderoso isso é. Sabemos que as simulações têm limitações, portanto, não queremos fazer uma reivindicação muito forte. Mas não achamos que isso seja apenas um golpe de sorte. ”
A equipe de pesquisa estava especialmente interessada em galáxias que possuem uma região pequena, densa e formadora de estrelas, conhecida como "pepita azul". Essas regiões ocorrem no início da evolução de galáxias ricas em gás, quando grandes fluxos de gás no centro de uma galáxia causam a formação de jovens estrelas que emitem luz azul. Para simular esses e outros tipos de galáxias, a equipe contou com as simulações de VELA de ponta desenvolvidas pela Primack e uma equipe internacional de colaboradores.
Tanto nos dados simulados quanto nos observacionais, o programa de computador descobriu que a fase "pepita azul" ocorre apenas em galáxias com massas dentro de um determinado intervalo. Isso foi seguido pela formação de estrelas terminando na região central, levando à fase compacta de "pepita vermelha", onde as estrelas na região central saem de sua fase de sequência principal e se tornam gigantes vermelhas.
A consistência da gama de massas foi empolgante porque indicava que a rede neural estava identificando um padrão que resulta de um processo físico essencial em galáxias reais - e sem ter que ser especificamente instruído a fazê-lo. Como Koo indicou, este estudo é um grande passo à frente em astronomia e IA, mas ainda é preciso fazer muita pesquisa:
“As simulações do VELA tiveram muito sucesso em termos de nos ajudar a entender as observações do CANDELS. Ninguém tem simulações perfeitas, no entanto. Enquanto continuamos este trabalho, continuaremos desenvolvendo melhores simulações. ”
Por exemplo, as simulações da equipe não incluíram o papel desempenhado pelos Núcleos Galácticos Ativos (AGN). Em galáxias maiores, gás e poeira são acumulados no buraco negro supermassivo central (SMBH) no núcleo, o que faz com que gás e radiação sejam ejetados em jatos enormes. Alguns estudos recentes indicaram como isso pode afetar a formação de estrelas nas galáxias.
No entanto, observações de galáxias distantes e mais jovens mostraram evidências do fenômeno observado nas simulações da equipe, onde núcleos ricos em gás levam à fase da pepita azul. Segundo Koo, usar o aprendizado profundo para estudar a evolução galáctica tem o potencial de revelar aspectos não detectados anteriormente de dados observacionais. Em vez de observar as galáxias como instantâneos no tempo, os astrônomos serão capazes de simular como evoluem ao longo de bilhões de anos.
"O aprendizado profundo procura padrões, e a máquina pode ver padrões tão complexos que nós, humanos, não os vemos", disse ele. "Queremos fazer muito mais teste dessa abordagem, mas neste estudo de prova de conceito, a máquina parecia encontrar com sucesso nos dados os diferentes estágios da evolução da galáxia identificados nas simulações".
No futuro, os astrônomos terão mais dados de observação para analisar, graças à implantação de telescópios da próxima geração como o Grande Telescópio Sinóptico de Levantamento (LSST), o Telescópio Espacial James Webb (JWST) e o Telescópio infravermelho de campo amplo (WFIRST). Esses telescópios fornecerão conjuntos de dados ainda mais massivos, que poderão ser analisados por métodos de aprendizado de máquina para determinar quais padrões existem.
Astronomia e inteligência artificial, trabalhando juntos para melhorar nossa compreensão do Universo. Eu me pergunto se deveríamos colocá-lo na tarefa de encontrar uma Teoria de Tudo (ToE) também!
