Um método de aprendizado de máquina chamado "aprendizado profundo, "que tem sido amplamente utilizado no reconhecimento de rosto e outras aplicações de reconhecimento de imagem e voz, tem se mostrado promissor em ajudar os astrônomos a analisar imagens de galáxias e entender como elas se formam e evoluem.

Em um novo estudo, aceito para publicação em Astrophysical Journal e disponível online, pesquisadores usaram simulações de computador da formação de galáxias para treinar um algoritmo de aprendizado profundo, que então se provou surpreendentemente bom em analisar imagens de galáxias do Telescópio Espacial Hubble.

Os pesquisadores usaram o resultado das simulações para gerar imagens simuladas de galáxias simuladas como elas seriam em observações pelo Telescópio Espacial Hubble. As imagens simuladas foram usadas para treinar o sistema de aprendizado profundo para reconhecer três fases principais da evolução da galáxia previamente identificadas nas simulações. Os pesquisadores então deram ao sistema um grande conjunto de imagens reais do Hubble para classificar.

Os resultados mostraram um nível notável de consistência nas classificações da rede neural de galáxias simuladas e reais.

"Não esperávamos que tivesse tanto sucesso. Estou impressionado com o quão poderoso isso é, "disse o co-autor Joel Primack, professor emérito de física e membro do Instituto Santa Cruz de Física de Partículas (SCIPP) da UC Santa Cruz. "Sabemos que as simulações têm limitações, portanto, não queremos fazer uma afirmação muito forte. Mas não achamos que isso seja apenas um golpe de sorte. "

Galáxias são fenômenos complexos, mudando sua aparência à medida que evoluem ao longo de bilhões de anos, e imagens de galáxias podem fornecer apenas instantâneos no tempo. Os astrônomos podem olhar mais fundo no universo e, assim, "voltar no tempo" para ver as galáxias anteriores (por causa do tempo que a luz leva para viajar por distâncias cósmicas), mas seguir a evolução de uma galáxia individual ao longo do tempo só é possível em simulações. Comparar galáxias simuladas com galáxias observadas pode revelar detalhes importantes das galáxias reais e suas histórias prováveis.

No novo estudo, os pesquisadores estavam particularmente interessados ​​em um fenômeno visto nas simulações no início da evolução de galáxias ricas em gás, quando grandes fluxos de gás para o centro de uma galáxia de formação de combustível de um pequeno, denso, região de formação de estrelas chamada "pepita azul". (Novo, estrelas quentes emitem comprimentos de onda curtos "azuis" de luz, então o azul indica uma galáxia com formação estelar ativa, enquanto mais velho, estrelas mais frias emitem mais luz "vermelha".)

Em dados simulados e observacionais, o programa de computador descobriu que a fase "pepita azul" ocorre apenas em galáxias com massas dentro de um determinado intervalo. Isso é seguido pela extinção da formação de estrelas na região central, levando a uma fase compacta de "pepita vermelha". A consistência da faixa de massa foi uma descoberta emocionante, porque sugere que o algoritmo de aprendizado profundo está identificando por conta própria um padrão que resulta de um processo físico importante que ocorre em galáxias reais.

"Pode ser que em uma certa faixa de tamanho, galáxias têm a massa certa para que esse processo físico ocorra, "disse o co-autor David Koo, professor emérito de astronomia e astrofísica da UC Santa Cruz.

Os pesquisadores usaram simulações de galáxia de última geração (as simulações VELA) desenvolvidas por Primack e uma equipe internacional de colaboradores, incluindo Daniel Ceverino (Universidade de Heidelberg), quem executou as simulações, e Avishai Dekel (Universidade Hebraica), que conduziu a análise e interpretação deles e desenvolveu novos conceitos físicos baseados neles. Todas essas simulações são limitadas, Contudo, em sua capacidade de capturar a complexa física da formação de galáxias.

Em particular, as simulações usadas neste estudo não incluíram feedback de núcleos galácticos ativos (injeção de energia da radiação à medida que o gás é agregado por um buraco negro supermassivo central). Muitos astrônomos consideram este processo um fator importante na regulação da formação de estrelas nas galáxias. No entanto, observações de distantes, galáxias jovens parecem mostrar evidências do fenômeno que leva à fase da pepita azul vista nas simulações.

Para os dados observacionais, a equipe usou imagens de galáxias obtidas através do projeto CANDELS (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey), o maior projeto da história do Telescópio Espacial Hubble. Primeiro autor Marc Huertas-Company, astrônomo do Observatório de Paris e da Universidade Paris Diderot, já havia feito um trabalho pioneiro aplicando métodos de aprendizagem profunda para classificações de galáxias usando dados CANDELS publicamente disponíveis.

Koo, um co-investigador do CANDELS, convidou Huertas-Company para visitar UC Santa Cruz para continuar este trabalho. O Google forneceu suporte para seu trabalho de aprendizado profundo em astronomia por meio de doações de fundos de pesquisa para Koo e Primack, permitindo que Huertas-Company passasse os últimos dois verões em Santa Cruz, com planos para outra visita no verão de 2018.

"Este projeto foi apenas uma das várias ideias que tivemos, "Koo disse." Queríamos escolher um processo que os teóricos pudessem definir claramente com base nas simulações, e isso tem a ver com a aparência de uma galáxia, em seguida, faça com que o algoritmo de aprendizado profundo o procure nas observações. Estamos apenas começando a explorar essa nova forma de fazer pesquisa. É uma nova forma de fundir teoria e observações. "

Por anos, Primack tem trabalhado em estreita colaboração com Koo e outros astrônomos da UC Santa Cruz para comparar as simulações de sua equipe da formação e evolução de galáxias com as observações do CANDELS. "As simulações do VELA tiveram muito sucesso em nos ajudar a entender as observações do CANDELS, "Disse Primack." Ninguém tem simulações perfeitas, no entanto. À medida que continuamos este trabalho, continuaremos desenvolvendo simulações melhores. "

De acordo com Koo, o aprendizado profundo tem o potencial de revelar aspectos dos dados de observação que os humanos não podem ver. A desvantagem é que o algoritmo é como uma "caixa preta, "portanto, é difícil saber quais recursos nos dados a máquina está usando para fazer suas classificações. As técnicas de interrogação de rede podem identificar quais pixels em uma imagem contribuíram mais para a classificação, Contudo, e os pesquisadores testaram um desses métodos em sua rede.

"O aprendizado profundo busca padrões, e a máquina pode ver padrões que são tão complexos que nós, humanos, não os vemos, "Koo disse." Queremos testar muito mais essa 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, ele disse, os astrônomos terão muito mais dados observacionais para analisar como resultado de grandes projetos de pesquisa e novos telescópios, como o Large Synoptic Survey Telescope, o telescópio espacial James Webb, e o Wide-Field Infrared Survey Telescope. O aprendizado profundo e outros métodos de aprendizado de máquina podem ser ferramentas poderosas para dar sentido a esses conjuntos de dados massivos.

"Este é o início de uma época muito emocionante para o uso de inteligência artificial avançada em astronomia, "Koo disse.