Se ha prestado mucha atención a la técnica de aprendizaje automático conocida como "aprendizaje profundo", donde las computadoras son capaces de discernir patrones en los datos sin estar específicamente programados para hacerlo. En los últimos años, esta técnica se ha aplicado a una serie de aplicaciones, que incluyen el reconocimiento de voz y facial para plataformas de redes sociales como Facebook.
Sin embargo, los astrónomos también se benefician del aprendizaje profundo, que les ayuda a analizar imágenes de galaxias y comprender cómo se forman y evolucionan. En un nuevo estudio, un equipo de investigadores internacionales utilizó un algoritmo de aprendizaje profundo para analizar imágenes de galaxias del telescopio espacial Hubble. Este método demostró ser eficaz para clasificar estas galaxias en función de la etapa en que se encontraban en su evolución.
El estudio, titulado "El aprendizaje profundo identifica galaxias de alta z en una fase de pepita azul central en un rango de masa característico", apareció recientemente en línea y ha sido aceptado para su publicación en el Revista Astrofísica. El estudio fue dirigido por Marc Huertes-Company de la Universidad Paris Diderot e incluyó miembros de la Universidad de California Santa Cruz (UCSC), la Universidad Hebrea, el Instituto de Ciencia del Telescopio Espacial, la Universidad de Pensilvania Filadelfia, MINES ParisTech y la Universidad Normal de Shanghai (SNHU)
En el pasado, Marc Huertas-Company ya ha aplicado métodos de aprendizaje profundo para Hubble datos por el bien de la clasificación de galaxias. En colaboración con David Koo y Joel Primack, ambos profesores eméritos de la UC Santa Cruz (y con el apoyo de Google), Huertas-Company y el equipo pasaron los últimos dos veranos desarrollando una red neuronal que podría identificar galaxias en diferentes etapas. en su evolución
"Este proyecto fue solo una de varias ideas que teníamos", dijo Koo en un reciente comunicado de prensa de USCS. “Queríamos elegir un proceso que los teóricos puedan definir claramente en función de las simulaciones, y que tenga algo que ver con la apariencia de una galaxia, y luego que el algoritmo de aprendizaje profundo lo busque en las observaciones. Recién estamos comenzando a explorar esta nueva forma de hacer investigación. Es una nueva forma de fusionar teoría y observaciones ".
En aras de su estudio, los investigadores utilizaron simulaciones por computadora para generar imágenes simuladas de galaxias como lo verían en las observaciones del telescopio espacial Hubble. Las imágenes simuladas se usaron para entrenar la red neuronal de aprendizaje profundo para reconocer tres fases clave de la evolución de las galaxias que se habían identificado previamente en las simulaciones. Luego, los investigadores utilizaron la red para analizar un gran conjunto de imágenes reales de Hubble.
Al igual que con las imágenes anteriores analizadas por Huertas-Company, estas imágenes forman parte del proyecto Encuesta de legado extragaláctico profundo infrarrojo cercano (CANDELS) de Hubble’s Cosmic Assembly, el proyecto más grande en la historia de telescopio espacial Hubble. Lo que encontraron fue que las clasificaciones de la red neuronal de galaxias simuladas y reales eran notablemente consistentes. Como explicó Joel Primack:
“No esperábamos que fuera tan exitoso. Estoy sorprendido de lo poderoso que es esto. Sabemos que las simulaciones tienen limitaciones, por lo que no queremos hacer un reclamo demasiado fuerte. Pero no creemos que esto sea solo una casualidad afortunada ".
El equipo de investigación estaba especialmente interesado en las galaxias que tienen una región pequeña, densa y formadora de estrellas conocida como "pepita azul". Estas regiones ocurren temprano en la evolución de las galaxias ricas en gas, cuando grandes flujos de gas en el centro de una galaxia causan la formación de estrellas jóvenes que emiten luz azul. Para simular estos y otros tipos de galaxias, el equipo se basó en simulaciones VELA de última generación desarrolladas por Primack y un equipo internacional de colaboradores.
Tanto en los datos de observación como en los simulados, el programa de computadora descubrió que la fase de "pepita azul" ocurre solo en galaxias con masas dentro de cierto rango. Esto fue seguido por la formación de estrellas que termina en la región central, lo que lleva a la fase compacta de "pepita roja", donde las estrellas en la región central salen de su fase de secuencia principal y se convierten en gigantes rojas.
La consistencia del rango de masa fue emocionante porque indicaba que la red neuronal estaba identificando un patrón que resulta de un proceso físico clave en galaxias reales, y sin tener que decirle específicamente que lo haga. Como indicó Koo, este estudio es un gran paso adelante para la astronomía y la IA, pero aún queda mucha investigación por hacer:
“Las simulaciones VELA han tenido mucho éxito en términos de ayudarnos a comprender las observaciones de CANDELS. Sin embargo, nadie tiene simulaciones perfectas. A medida que continuamos este trabajo, seguiremos desarrollando mejores simulaciones ”.
Por ejemplo, las simulaciones del equipo no incluyeron el papel desempeñado por Active Galactic Nuclei (AGN). En galaxias más grandes, el gas y el polvo se acumulan en un agujero negro supermasivo central (SMBH) en el núcleo, lo que hace que el gas y la radiación se expulsen en grandes chorros. Algunos estudios recientes han indicado cómo esto puede tener un efecto deslumbrante en la formación de estrellas en las galaxias.
Sin embargo, las observaciones de galaxias distantes y más jóvenes han mostrado evidencia del fenómeno observado en las simulaciones del equipo, donde los núcleos ricos en gas conducen a la fase de pepita azul. Según Koo, el uso del aprendizaje profundo para estudiar la evolución galáctica tiene el potencial de revelar aspectos previamente no detectados de los datos de observación. En lugar de observar las galaxias como instantáneas en el tiempo, los astrónomos podrán simular cómo evolucionan durante miles de millones de años.
"El aprendizaje profundo busca patrones, y la máquina puede ver patrones que son tan complejos que los humanos no los vemos", dijo. "Queremos hacer muchas más pruebas de este enfoque, pero en este estudio de prueba de concepto, la máquina pareció encontrar con éxito en los datos las diferentes etapas de la evolución de las galaxias identificadas en las simulaciones".
En el futuro, los astrónomos tendrán más datos de observación para analizar gracias al despliegue de telescopios de próxima generación como el Gran telescopio de estudio sinóptico (LSST), el Telescopio espacial James Webb (JWST), y el Telescopio de reconocimiento infrarrojo de campo amplio (WFIRST) Estos telescopios proporcionarán conjuntos de datos aún más masivos, que luego pueden analizarse mediante métodos de aprendizaje automático para determinar qué patrones existen.
Astronomía e inteligencia artificial, trabajando juntos para mejorar nuestra comprensión del Universo. ¡Me pregunto si deberíamos ponerlo en la tarea de encontrar una Teoría de todo (ToE) también!
