Une grande attention a été consacrée à la technique d'apprentissage automatique connue sous le nom d '«apprentissage profond», où les ordinateurs sont capables de discerner les modèles de données sans être spécifiquement programmés pour le faire. Ces dernières années, cette technique a été appliquée à un certain nombre d'applications, notamment la reconnaissance vocale et faciale pour les plateformes de médias sociaux comme Facebook.
Cependant, les astronomes bénéficient également d'un apprentissage en profondeur, qui les aide à analyser les images des galaxies et à comprendre comment elles se forment et évoluent. Dans une nouvelle étude, une équipe de chercheurs internationaux a utilisé un algorithme d'apprentissage en profondeur pour analyser des images de galaxies Le télescope spatial Hubble. Cette méthode s'est avérée efficace pour classer ces galaxies en fonction de leur stade d'évolution.
L'étude, intitulée «L'apprentissage en profondeur identifie des galaxies à fort z dans une phase de pépite bleue centrale dans une gamme de masse caractéristique», a récemment été publiée en ligne et a été acceptée pour publication dans le Journal astrophysique. L'étude était dirigée par Marc Huertes-Company de l'Université Paris Diderot et comprenait des membres de l'Université de Californie à Santa Cruz (UCSC), de l'Université hébraïque, du Space Telescope Science Institute, de l'Université de Pennsylvanie Philadelphie, de MINES ParisTech et de l'Université normale de Shanghai (SNHU).
Par le passé, Marc Huertas-Company a déjà appliqué des méthodes d'apprentissage en profondeur Hubble données pour la classification des galaxies. En collaboration avec David Koo et Joel Primack, qui sont tous deux professeurs émérites à l'UC Santa Cruz (et avec le soutien de Google), Huertas-Company et l'équipe ont passé les deux derniers étés à développer un réseau de neurones qui pourrait identifier des galaxies à différents stades dans leur évolution.
"Ce projet n'était qu'une des nombreuses idées que nous avions", a déclaré Koo dans un récent communiqué de presse de l'USCS. «Nous voulions choisir un processus que les théoriciens peuvent définir clairement sur la base des simulations, et qui a quelque chose à voir avec l'apparence d'une galaxie, puis demander à l'algorithme d'apprentissage profond de le rechercher dans les observations. Nous commençons à peine à explorer cette nouvelle façon de faire de la recherche. C'est une nouvelle façon de fusionner la théorie et les observations. "
Pour les besoins de leur étude, les chercheurs ont utilisé des simulations informatiques pour générer des images simulées de galaxies telles qu'elles Le télescope spatial Hubble. Les images fictives ont été utilisées pour entraîner le réseau neuronal d'apprentissage en profondeur à reconnaître trois phases clés de l'évolution des galaxies qui avaient été précédemment identifiées dans les simulations. Les chercheurs ont ensuite utilisé le réseau pour analyser un large ensemble d'images Hubble réelles.
Comme pour les images précédentes analysées par la société Huertas, ces images font partie du projet CANDELS (Hubble’s Cosmic Assembly Near-infrarouge Deep Extragalactic Legacy Survey) - le plus grand projet de l’histoire de la Le télescope spatial Hubble. Ils ont découvert que les classifications du réseau neuronal des galaxies simulées et réelles étaient remarquablement cohérentes. Comme l'a expliqué Joel Primack:
«Nous ne nous attendions pas à ce que tout cela réussisse. Je suis étonné de voir à quel point c'est puissant. Nous savons que les simulations ont des limites, donc nous ne voulons pas faire une réclamation trop forte. Mais nous ne pensons pas que ce n'est qu'un coup de chance. "
L'équipe de recherche s'est particulièrement intéressée aux galaxies qui ont une petite région dense, formant des étoiles, connue sous le nom de «pépite bleue». Ces régions se produisent au début de l'évolution des galaxies riches en gaz, lorsque de gros flux de gaz vers le centre d'une galaxie provoquent la formation de jeunes étoiles qui émettent de la lumière bleue. Pour simuler ces types de galaxies et d'autres, l'équipe s'est appuyée sur des simulations VELA de pointe développées par Primack et une équipe internationale de collaborateurs.
Dans les données simulées et observationnelles, le programme informatique a constaté que la phase de la «pépite bleue» ne se produit que dans les galaxies dont les masses se situent dans une certaine plage. Cela a été suivi par la formation d'étoiles se terminant dans la région centrale, conduisant à la phase compacte de «pépite rouge», où les étoiles de la région centrale sortent de leur phase de séquence principale et deviennent des géantes rouges.
La cohérence de la gamme de masse était excitante car elle indiquait que le réseau neuronal identifiait un modèle résultant d'un processus physique clé dans de vraies galaxies - et sans avoir à être spécifiquement invité à le faire. Comme Koo l'a indiqué, cette étude représente un grand pas en avant pour l'astronomie et l'IA, mais beaucoup de recherches restent à faire:
«Les simulations VELA ont eu beaucoup de succès pour nous aider à comprendre les observations CANDELS. Personne n'a cependant de simulations parfaites. Alors que nous poursuivons ce travail, nous continuerons à développer de meilleures simulations. »
Par exemple, les simulations de l'équipe n'incluaient pas le rôle joué par les noyaux galactiques actifs (AGN). Dans les grandes galaxies, le gaz et la poussière s'accumulent sur un trou noir supermassif central (SMBH) au cœur, ce qui provoque l'éjection de gaz et de rayonnement dans d'énormes jets. Certaines études récentes ont montré comment cela peut avoir un effet saisissant sur la formation d'étoiles dans les galaxies.
Cependant, des observations de galaxies éloignées et plus jeunes ont montré des preuves du phénomène observé dans les simulations de l'équipe, où des noyaux riches en gaz conduisent à la phase de pépite bleue. Selon Koo, l'utilisation de l'apprentissage en profondeur pour étudier l'évolution galactique a le potentiel de révéler des aspects précédemment non détectés des données d'observation. Au lieu d'observer les galaxies comme des instantanés dans le temps, les astronomes pourront simuler leur évolution sur des milliards d'années.
«L'apprentissage en profondeur recherche des modèles, et la machine peut voir des modèles si complexes que nous, les humains, ne les voyons pas», a-t-il déclaré. «Nous voulons faire beaucoup plus de tests sur cette approche, mais dans cette étude de preuve de concept, la machine a semblé trouver avec succès dans les données les différentes étapes de l'évolution des galaxies identifiées dans les simulations.»
À l'avenir, les astronomes auront plus de données d'observation à analyser grâce au déploiement de télescopes de nouvelle génération comme le Grand télescope synoptique (LSST), le Télescope spatial James Webb (JWST), et le Télescope infrarouge à champ large (WFIRST). Ces télescopes fourniront des ensembles de données encore plus massifs, qui peuvent ensuite être analysés par des méthodes d'apprentissage automatique pour déterminer quels modèles existent.
Astronomie et intelligence artificielle, ensemble pour mieux comprendre l'Univers. Je me demande si nous devrions aussi nous atteler à trouver une théorie du tout (ToE)!
