컴퓨터가 특별히 프로그래밍하지 않고도 데이터의 패턴을 식별 할 수있는 "딥 러닝 (deep learning)"이라는 기계 학습 기술에 많은 관심을 기울였습니다. 최근이 기술은 Facebook과 같은 소셜 미디어 플랫폼에 대한 음성 및 얼굴 인식을 포함한 여러 응용 프로그램에 적용되었습니다.
그러나 천문학 자들은 또한 딥 러닝의 혜택을 받고있어, 은하의 이미지를 분석하고 어떻게 형성 및 진화하는지 이해할 수 있도록 도와줍니다. 새로운 연구에서 국제 연구팀은 딥 러닝 알고리즘을 사용하여 은하의 이미지를 분석했습니다. 허블 우주 망원경. 이 방법은 진화 단계에 따라이 은하들을 분류하는 데 효과적이라는 것이 증명되었습니다.
“심층 학습은 특징적인 질량 범위에서 중앙 블루 너겟 단계에서 고 z 은하계를 식별한다”라는 제목의 연구는 최근에 온라인으로 나타 났으며 천체 물리학 저널. 이 연구는 파리 디데 로트 대학의 마크 휴어 테스 회사가 이끌 었으며 캘리포니아 산타 크루즈 대학교 (UCSC), 히브리 대학교, 우주 망원경 과학 연구소, 펜실베이니아 대학교 필라델피아 대학교, MINES 파리 테크, 상하이 사범 대학교 (SNHU).
과거에 Marc Huertas-Company는 이미 딥 러닝 방법을 허블 은하 분류를위한 데이터. Huertas-Company와 UC UC Cruz는 UC Santa Cruz의 명예 교수이자 Google의 지원을받는 David Koo 및 Joel Primack과 공동으로 지난 2 년 동안 다른 단계에서 은하를 식별 할 수있는 신경망을 개발하는 데 보냈습니다. 그들의 진화에서.
쿠스는 최근 USCS 보도 자료에서“이 프로젝트는 우리가 가진 여러 아이디어 중 하나 일뿐”이라고 말했다. “우리는 이론가들이 시뮬레이션을 기반으로 명확하게 정의 할 수있는 프로세스를 선택하고 갤럭시가 어떻게 보이는지와 관련이 있으며, 딥 러닝 알고리즘이 관측에서 찾아 보도록했습니다. 우리는이 새로운 연구 방식을 탐구하기 시작했습니다. 이론과 관측을 융합시키는 새로운 방법입니다.”
연구를 위해 연구원들은 컴퓨터 시뮬레이션을 사용하여 은하의 모의 이미지를 생성했습니다. 허블 우주 망원경. 모의 이미지는 이전에 시뮬레이션에서 식별 된 은하 진화의 세 가지 주요 단계를 인식하기 위해 딥 러닝 신경망을 훈련시키는 데 사용되었습니다. 그런 다음 연구원들은 네트워크를 사용하여 실제 실제 허블 이미지 세트를 분석했습니다.
Huertas-Company가 발표 한 이전 이미지와 마찬가지로이 이미지는 Hubble의 우주 어셈블리 근적외선 딥 엑스트라 랙틱 레거시 설문 조사 (CANDELS) 프로젝트의 일부입니다. 허블 우주 망원경. 그들이 발견 한 것은 신경망의 모의 및 실제 은하의 분류가 놀랍도록 일관성이 있다는 것이었다. Joel Primack은 다음과 같이 설명했습니다.
“우리는 그것이 그렇게 성공적 일 것으로 기대하지 않았습니다. 이것이 얼마나 강력한 지 놀랍습니다. 시뮬레이션에는 한계가 있으므로 너무 강력한 주장을하고 싶지 않습니다. 그러나 이것이 운이 좋은 우연이라고 생각하지 않습니다.”
연구팀은 특히“푸른 너겟”으로 알려진 작고 밀도가 높고 별을 형성하는 은하계에 관심이있었습니다. 이 지역은 가스가 많은 은하의 진화 초기에 발생하는데, 은하의 중심으로의 큰 가스 흐름으로 인해 푸른 빛을 방출하는 어린 별이 형성됩니다. 이러한 은하와 다른 종류의 은하를 시뮬레이션하기 위해이 팀은 Primack과 국제 공동 연구팀이 개발 한 최첨단 VELA 시뮬레이션에 의존했습니다.
시뮬레이션 및 관측 데이터 모두에서, 컴퓨터 프로그램은 "파란 너겟"단계가 특정 범위 내의 질량을 가진 은하에서만 발생한다는 것을 발견했습니다. 그 후 중앙 지역에서 끝나는 별이 형성되어 소형 "빨간 너겟"단계로 이어져 중앙 지역의 별들이 주 계열 단계를 빠져 나와 붉은 거인이됩니다.
질량 범위의 일관성은 신경망이 실제 은하의 주요 물리적 과정에서 발생하는 패턴을 식별하고 있음을 나타내었기 때문에 흥미로웠다. Koo가 지적한 바와 같이,이 연구는 천문학과 AI를위한 큰 진전이지만, 여전히 많은 연구가 수행되어야합니다.
“VELA 시뮬레이션은 CANDELS 관측 값을 이해하는 데 많은 도움이되었습니다. 그러나 완벽한 시뮬레이션은 없습니다. 이 작업을 계속하면서 더 나은 시뮬레이션을 계속 개발할 것입니다.”
예를 들어, 팀의 시뮬레이션에는 AGN (Active Galactic Nuclei)의 역할이 포함되지 않았습니다. 더 큰 은하에서는 가스와 먼지가 코어의 중앙 SMBH (Supermassive Black Hole)에 축적되어 거대한 제트기에서 가스와 방사선이 방출됩니다. 최근의 일부 연구에 따르면 이것이 은하의 별 형성에 어떻게 영향을 줄 수 있는지가 밝혀졌습니다.
그러나 멀리 떨어져있는 더 젊은 은하에 대한 관찰은 가스가 풍부한 핵이 푸른 덩어리 단계로 이어지는 팀의 시뮬레이션에서 관찰 된 현상의 증거를 보여주었습니다. Koo에 따르면, 딥 러닝을 사용하여 은하 진화를 연구하면 관측 데이터의 이전에 탐지되지 않은 측면을 밝혀 낼 가능성이 있습니다. 천문학 자들은 은하를 스냅 샷으로 관측하는 대신 수십억 년 동안 어떻게 진화하는지 모의 할 수있을 것입니다.
"딥 러닝은 패턴을 찾고 기계는 우리가 볼 수없는 너무 복잡한 패턴을 볼 수 있습니다"라고 그는 말했다. "우리는이 접근법에 대해 훨씬 더 많은 테스트를 원하지만이 개념 증명 연구에서 기계는 데이터에서 시뮬레이션에서 식별 된 은하 진화의 여러 단계를 성공적으로 발견 한 것 같습니다."
앞으로 천문학 자들은 다음과 같은 차세대 망원경의 배치 덕분에 분석 할 관측 데이터가 더 많아 질 것입니다. 대형 시놉 틱 측량 망원경 (LSST) 제임스 웹 우주 망원경 (JWST) 및 광 시야 적외선 측량 망원경 (첫번째). 이 망원경은 훨씬 더 큰 데이터 세트를 제공하며, 머신 러닝 방법으로 분석하여 어떤 패턴이 존재하는지 확인할 수 있습니다.
천문학과 인공 지능, 우주에 대한 우리의 이해를 돕기 위해 함께 노력. 나는 우리가 ToE (Theory of Everything)를 찾는 일에 착수해야하는지 궁금합니다!
