“深度学习”算法为天文学带来了新的工具

“深度学习”算法为天文学带来了新的工具

发布时间:2018-05-14    浏览量:14

在宇宙学模拟的图像上训练的“深度学习”算法在哈勃图像中对真实星系进行分类时非常成功。顶行:来自计算机模拟年轻银河系的高分辨率图像,经历三个演变阶段(“蓝色块状体”阶段之前,之中和之后)。中间行:来自计算机模拟年轻星系的三个阶段演变过程中的相同图像,如果通过哈勃太空望远镜观察到的话。最下面一行:哈勃空间望远镜通过深度学习算法分类的遥远年轻星系的图像经过训练可以识别星系演化的三个阶段。每幅图像的宽度约为100,000光年。前两行的图像学分:Greg Snyder,太空望远镜科学研究所和巴黎天文台Marc Huertas-Company。最后一行:HST图像来自宇宙大会近红外深度外星遗产调查(CANDELS)。

在宇宙学模拟的图像上训练的'深度学习'算法在分类哈勃图像真实星系方面出人意料地成功。 / em

一种名为“深度学习”的机器学习方法已被广泛应用于人脸识别和其他图像和语音识别应用,这有助于天文学家分析星系图像并了解它们如何形成和演变。

在接受在天体物理学杂志上发表的一项新研究中,研究人员使用计算机模拟星系形成来训练深度学习算法,然后证明它非常擅长分析哈勃太空望远镜的星系图像。

研究人员利用模拟结果生成模拟星系的模拟图像,这些模拟星系将在哈勃太空望远镜的观测中进行观察。模拟图像用于训练深度学习系统,以识别之前在模拟中识别的星系演化的三个关键阶段。研究人员然后给系统提供了大量实际的哈勃图像进行分类。

结果表明神经网络对模拟星系和真实星系的分类具有显着的一致性。

“我们并没有想到它会成功。我惊讶于这是多么强大,“合作者乔尔普里马克,物理学名誉教授,圣克鲁斯加州大学圣克鲁兹粒子物理研究所(SCIPP)的成员。 “我们知道模拟有局限性,所以我们不希望做出太强的要求。但我们不认为这只是一个幸运的侥幸。“

星系是一种复杂的现象,在数十亿年的演变过程中会改变它们的外观,而星系图像只能及时提供快照。天文学家可以更深入地观察宇宙,从而“及时”看到早期的星系(由于光线传播宇宙距离所需的时间),但随着时间的推移,单个星系的演变只能在模拟中进行。将模拟星系与观测到的星系进行比较可以揭示实际星系及其可能历史的重要细节。

蓝色矿块

在这项新研究中,研究人员特别感兴趣的是在富含气体的星系演化早期的模拟中出现的一种现象,当大量气体流入一个小而密集的星形成区域的星系燃料形成中心时称为“蓝色块”。(年轻的,热的恒星发出短的“蓝色”波长的光,所以蓝色表示星系具有活跃的恒星形成,而较老的较冷的恒星发出更多的“红色”光。)

在模拟和观测数据中,计算机程序发现,“蓝色块状物”阶段只发生在质量在一定范围内的星系中。随后在中心区域形成恒星形成,导致紧凑的“红色块状物”相。质量范围的一致性是一个令人兴奋的发现,因为它表明深度学习算法正在自己识别由真实星系中发生的关键物理过程产生的模式。

“这可能是在一定的尺寸范围内,星系对于这个物理过程的发生恰到好处,”UC Santa Cruz的天文学和天体物理学名誉教授David Koo说。

研究人员使用由Primack和国际团队合作开发的最先进的星系模拟(VELA模拟),包括经营模拟的Daniel Ceverino(海德堡大学)和Avishai Dekel(希伯来大学)领导他们分析和解释他们,并基于他们开发新的物理概念。然而,所有这些模拟都能够捕捉到星系形成的复杂物理特性。

特别是,本研究中使用的模拟不包括来自活动星系核的反馈(当气体由中心超大质量黑洞增生时,从辐射注入能量)。许多天文学家认为这个过程是调节星系中恒星形成的重要因素。尽管如此,对遥远的年轻星系的观测似乎表明,这些现象在模拟中看到了导致蓝色块金相的现象。

CANDELS

对于观测数据,该团队使用了通过CANDELS项目(宇宙组装近红外深外星遗留调查)获得的星系图像,该项目是哈勃太空望远镜历史上最大的项目。第一作者Marc Huertas-Company是巴黎天文台和巴黎狄德罗大学的天文学家,他们已经开展了使用公开CANDELS数据的深度学习方法对银河分类的开创性工作。

CANDELS共同研究员Koo邀请Huertas公司访问UC Santa Cruz继续这项工作。谷歌通过向Koo和Primack提供研究基金的捐赠,为他们在天文学方面的深入学习提供支持,允许Huertas-Company在圣克鲁斯度过了两个夏天,并计划在2018年夏季再次访问。

“这个项目只是我们几个想法中的一个,”古说。 “我们希望选择一个理论家可以基于模拟明确定义的过程,这个过程与星系的外观有关,然后让深层学习算法在观测中寻找它。我们刚刚开始探索这种新的研究方式。这是融合理论和观察的新方式。“

多年来,Primack一直与加州大学圣克鲁斯分校的Koo和其他天文学家密切合作,将他的团队对星系形成和演化的模拟与CANDELS观测进行比较。 Primack说:“VELA模拟在帮助我们理解CANDELS观测方面取得了很多成功。 “虽然没有人有完美的模拟。随着我们继续这项工作,我们将继续开发更好的模拟。“

根据Koo的观点,深度学习有可能揭示人类无法看到的观测数据的各个方面。缺点是算法就像一个“黑匣子”,所以很难知道机器用于分类的数据有哪些特征。网络审问技术可以确定图像中的哪些像素对分类贡献最大,然而,研究人员在他们的网络上测试了一种这样的方法。

“深度学习寻找模式,机器可以看到非常复杂的模式,以至于人类看不到它们,”古说。 “我们希望对这种方法进行更多的测试,但在这个概念验证研究中,机器似乎成功地在数据中发现了模拟中确定的星系演化的不同阶段。”

他表示,未来,由于大型调查项目和新的望远镜,如大型综合观测望远镜,詹姆斯韦伯太空望远镜和宽视场红外测量望远镜,天文学家将拥有更多的观测资料进行分析。深度学习和其他机器学习方法可以成为理解这些海量数据集的强大工具。

“这是在天文学中使用高级人工智能的非常激动人心的开始,”古说。

除了Primack,Koo和Huertas-Company之外,论文的合着者还包括耶路撒冷希伯来大学的Avishai Dekel(以及加州大学圣克鲁兹分校的访问研究员);希伯来大学Sharon Lapiner;海德堡大学的Daniel Ceverino;约翰霍普金斯大学的雷蒙德西蒙斯;太空望远镜科学研究所的Gregory Snyder;宾夕法尼亚大学的Mariangela Bernardi和H. Dominquez Sanchez;上海师范大学朱晨;加州大学圣克鲁兹分校的Christoph Lee;以及巴黎天文台的Berta Margalef-Bentabol和Diego Tuccillo。

除了谷歌的支持之外,这项工作还得到了法国 - 以色列PICS,美国 - 以色列双边科学基金会,美国国家科学基金会和哈勃太空望远镜的资助。 VELA计算机模拟运行于NASA的Pleiades超级计算机和美国能源部国家能源研究科学计算机中心(NERSC)。

论文:深度学习识别特征质量范围中心蓝块金阶段的高-z星系

Copyright © 2017 北京pk10计划在线计划 版权所有