Вчені виявили понад сотню нових космічних поглиначів

Вчені використовували глибоке навчання, щоб проаналізувати спектральні дані квазара з SDSS-III, успішно виявивши 107 рідкісних нейтральних поглиначів вуглецю та надавши нове розуміння ранньої еволюції галактик. Їхні методи можуть змінити те, як астрономи використовують штучний інтелект для вивчення Всесвіту, доповнюючи інші інструменти дослідження, такі як космічний телескоп Джеймса Вебба.

Нещодавно дослідники шукали рідкісні слабкі сигнали в спектральних даних квазарів, опублікованих програмою Sloan Digital Sky Survey III (SDSS-III), використовуючи нейронні мережі глибокого навчання. Запровадивши новий метод дослідження формування та еволюції галактик, команда продемонструвала потенціал штучного інтелекту (ШІ) у виявленні рідкісних слабких сигналів у великих астрономічних даних. Це дослідження, яке нещодавно було опубліковано в Monthly Notices of the Royal Astronomical Society, було проведено міжнародною групою під керівництвом професора Цзянь Ге з Шанхайської астрономічної обсерваторії Китайської академії наук.

Проблеми у виявленні нейтральних вуглецевих абсорберів

«Нейтральні поглиначі вуглецю» з холодного газу з пилом у Всесвіті служать ключовими зондами для вивчення формування та еволюції галактик. Однак сигнали нейтральних ліній поглинання вуглецю слабкі і вкрай рідкісні. Астрономи намагалися виявити ці поглиначі у масивних наборах спектральних даних квазарів за допомогою традиційних методів кореляції.

«Це як шукати голку в стозі сіна», — сказав професор Ге. У 2015 році в спектрах десятків тисяч квазарів, випущених раніше SDSS, було виявлено 66 нейтральних вуглецевих поглиначів, що є найбільшою кількістю отриманих зразків.

Прорив у виявленні абсорбера

У цьому дослідженні команда професора Ге розробила та навчила глибокі нейронні мережі з великою кількістю змодельованих зразків нейтральних ліній поглинання вуглецю на основі фактичних спостережень. Застосовуючи ці добре навчені нейронні мережі до даних SDSS-III, команда виявила 107 надзвичайно рідкісних поглиначів нейтрального вуглецю, подвоївши кількість зразків, отриманих у 2015 році, і виявила більше слабких сигналів, ніж раніше.

Покращення виявлення та розуміння еволюції галактики

Склавши спектри численних поглиначів нейтрального вуглецю, команда значно розширила здатність виявляти велику кількість різних елементів і безпосередньо виміряти втрати металу в газі, спричинені пилом. Результати показали, що ці ранні галактики, що містять зонди-поглиначі нейтрального вуглецю, зазнали швидкої фізичної та хімічної еволюції, коли Всесвіту було лише близько трьох мільярдів років (поточний вік Всесвіту становить 13,8 мільярда). Ці галактики входили в стан еволюції між Великою Магеллановою Хмарою (LMC) і Чумацьким Шляхом (MW), виробляючи значну кількість металів, деякі з яких зв’язувалися, утворюючи частинки пилу, що призводило до спостережуваного ефекту почервоніння пилу.

Доповнення до висновків космічного телескопа Джеймса Вебба

Це відкриття незалежно підтверджує нещодавні висновки космічного телескопа Джеймса Вебба (JWST), який виявив алмазоподібний вуглецевий пил у найдавніших зірках Всесвіту, що свідчить про те, що деякі галактики еволюціонують набагато швидше, ніж очікувалося раніше, кидаючи виклик існуючим моделям формування та еволюції галактик.

На відміну від JWST, який проводить дослідження спектрів випромінювання галактик, це дослідження вивчає ранні галактики шляхом спостереження за спектрами поглинання квазарів. Застосування добре навчених нейронних мереж для пошуку нейтральних поглиначів вуглецю надає новий інструмент для майбутніх досліджень ранньої еволюції Всесвіту та галактик, доповнюючи методи дослідження JWST.

Майбутні напрямки та інновації ШІ

«Необхідно розробити інноваційні алгоритми штучного інтелекту, які зможуть швидко, точно та всебічно досліджувати рідкісні та слабкі сигнали в масивних астрономічних даних», — сказав професор Ге. Команда прагне просувати метод, представлений у цьому дослідженні, для розпізнавання зображень шляхом вилучення кількох пов’язаних структур для створення штучних «багатоструктурних» зображень для ефективного навчання та виявлення слабких сигналів зображення.