ความสนใจจำนวนมากได้รับการทุ่มเทให้กับเทคนิคการเรียนรู้ของเครื่องที่รู้จักกันในชื่อ "การเรียนรู้ลึก" ซึ่งคอมพิวเตอร์มีความสามารถในการแยกแยะรูปแบบของข้อมูลโดยไม่ต้องตั้งโปรแกรมให้ทำ ในช่วงไม่กี่ปีที่ผ่านมาเทคนิคนี้ถูกนำไปใช้กับแอพพลิเคชั่นจำนวนมากซึ่งรวมถึงการจดจำเสียงและใบหน้าสำหรับแพลตฟอร์มโซเชียลมีเดียเช่น Facebook
อย่างไรก็ตามนักดาราศาสตร์ยังได้รับประโยชน์จากการเรียนรู้อย่างลึกซึ้งซึ่งช่วยให้พวกเขาวิเคราะห์ภาพของกาแลคซีและเข้าใจว่าพวกมันก่อตัวและวิวัฒนาการอย่างไร ในการศึกษาใหม่ทีมนักวิจัยนานาชาติใช้อัลกอริทึมการเรียนรู้อย่างลึกซึ้งเพื่อวิเคราะห์ภาพของกาแลคซีจาก กล้องโทรทรรศน์อวกาศฮับเบิล. วิธีนี้พิสูจน์แล้วว่ามีประสิทธิภาพในการจำแนกกาแลคซีเหล่านี้ตามขั้นตอนที่พวกเขาอยู่ในวิวัฒนาการ
การศึกษาเรื่อง“ Deep Learning ระบุกาแลคซี High-z ในระยะ Central Blue Nugget ในช่วงมวลลักษณะ” เพิ่งปรากฏออนไลน์และได้รับการยอมรับสำหรับการตีพิมพ์ใน วารสารฟิสิกส์ดาราศาสตร์ การศึกษานำโดย Marc Huertes-Company ของมหาวิทยาลัย Paris Diderot และรวมถึงสมาชิกจากมหาวิทยาลัยแห่งแคลิฟอร์เนีย Santa Cruz (UCSC), มหาวิทยาลัย Hebrew, สถาบันวิทยาศาสตร์กล้องโทรทรรศน์อวกาศ, มหาวิทยาลัยเพนซิลวาเนียฟิลาเดลเฟีย, เหมือง ParisTech และ Shanghai Normal University (SNHU)
ในอดีต Marc Huertas-Company ได้นำวิธีการเรียนรู้แบบลึกไปใช้แล้ว ฮับเบิล ข้อมูลเพื่อประโยชน์ในการจำแนกกาแลคซี ด้วยความร่วมมือกับ David Koo และ Joel Primack ซึ่งทั้งคู่เป็นศาสตราจารย์กิตติคุณที่ UC Santa Cruz (และด้วยการสนับสนุนจาก Google) Huertas-Company และทีมใช้เวลาสองช่วงฤดูร้อนที่ผ่านมาพัฒนาเครือข่ายประสาทที่สามารถระบุกาแลคซีในระยะต่าง ๆ ในวิวัฒนาการของพวกเขา
“ โครงการนี้เป็นเพียงหนึ่งในหลาย ๆ แนวคิดที่เรามี” คูกล่าวในข่าวประชาสัมพันธ์ล่าสุดของ USCS “ เราต้องการเลือกกระบวนการที่นักทฤษฎีสามารถกำหนดได้อย่างชัดเจนตามแบบจำลองและสิ่งที่เกี่ยวข้องกับลักษณะของกาแลคซีจากนั้นให้อัลกอริทึมการเรียนรู้เชิงลึกมองหามันในการสังเกตการณ์ เราเพิ่งเริ่มสำรวจวิธีใหม่ในการทำวิจัย นี่เป็นวิธีใหม่ในการเชื่อมโยงทฤษฎีและการสังเกต”
เพื่อประโยชน์ในการศึกษาของพวกเขานักวิจัยได้ใช้การจำลองด้วยคอมพิวเตอร์เพื่อสร้างภาพจำลองของกาแลคซีเนื่องจากพวกเขาจะดูการสังเกตโดย กล้องโทรทรรศน์อวกาศฮับเบิล. ภาพจำลองใช้เพื่อฝึกอบรมเครือข่ายประสาทการเรียนรู้ลึกเพื่อจดจำระยะสำคัญสามประการของวิวัฒนาการกาแลคซีที่เคยระบุไว้ก่อนหน้านี้ในแบบจำลอง จากนั้นนักวิจัยใช้เครือข่ายในการวิเคราะห์ภาพฮับเบิลจำนวนมาก
เช่นเดียวกับภาพก่อนหน้านี้ที่ Huertas-Company กล่าวก่อนหน้าภาพเหล่านี้เป็นส่วนหนึ่งของการชุมนุมจักรวาลของฮับเบิลใกล้อินฟราเรดลึก Extragalactic Legacy Legacy (CANDELS) - โครงการที่ใหญ่ที่สุดในประวัติศาสตร์ของ กล้องโทรทรรศน์อวกาศฮับเบิล. สิ่งที่พวกเขาพบคือว่าการจำแนกประเภทของกาแลกซี่จำลองและกาแลคซีที่แท้จริงของโครงข่ายประสาทเทียมนั้นมีความสอดคล้องกันอย่างน่าทึ่ง ดังที่ Joel Primack อธิบาย:
“ เราไม่ได้คาดหวังว่ามันจะประสบความสำเร็จ ฉันรู้สึกทึ่งกับประสิทธิภาพของมัน เรารู้ว่าการจำลองมีข้อ จำกัด ดังนั้นเราจึงไม่ต้องการเรียกร้องที่แข็งแกร่งเกินไป แต่เราไม่คิดว่านี่เป็นเพียงความบังเอิญที่โชคดี”
ทีมวิจัยให้ความสนใจเป็นพิเศษกับกาแลคซีที่มีพื้นที่ก่อตัวดาวฤกษ์ขนาดเล็กหนาแน่นที่รู้จักกันในชื่อ "นักเก็ตสีน้ำเงิน" ภูมิภาคเหล่านี้เกิดขึ้นตั้งแต่แรกเริ่มในวิวัฒนาการของกาแลคซีที่อุดมไปด้วยแก๊สเมื่อก๊าซจำนวนมากไหลเข้าสู่ใจกลางกาแลคซีทำให้เกิดการก่อตัวของดาวอายุน้อยที่เปล่งแสงสีน้ำเงิน เพื่อจำลองกาแลคซีประเภทนี้และแบบอื่น ๆ ทีมอาศัยการจำลองแบบ VELA ที่ทันสมัยที่พัฒนาโดย Primack และทีมผู้ทำงานร่วมกันระหว่างประเทศ
ในทั้งข้อมูลจำลองและข้อมูลเชิงสังเกตพบว่าโปรแกรมคอมพิวเตอร์พบว่าเฟส "นักเก็ตสีน้ำเงิน" เกิดขึ้นเฉพาะในกาแลคซีที่มีมวลอยู่ในช่วงที่กำหนด ตามด้วยการก่อตัวของดาวฤกษ์ที่สิ้นสุดลงในภาคกลางนำไปสู่เฟส "นักเก็ตสีแดง" ขนาดกะทัดรัดซึ่งดาวในภาคกลางออกจากช่วงลำดับหลักและกลายเป็นดาวยักษ์แดง
ความสอดคล้องของช่วงมวลนั้นน่าตื่นเต้นเพราะมันบ่งบอกว่าโครงข่ายประสาทเทียมได้ระบุรูปแบบที่เป็นผลมาจากกระบวนการทางกายภาพที่สำคัญในกาแลคซีจริง - และโดยไม่ต้องบอกให้ทำเช่นนั้นโดยเฉพาะ ดังที่ Koo ระบุว่าการศึกษาครั้งนี้เป็นก้าวสำคัญของดาราศาสตร์และ AI แต่ยังมีงานวิจัยจำนวนมากที่ต้องทำ:
“ การจำลอง VELA ประสบความสำเร็จอย่างมากในแง่ของการช่วยให้เราเข้าใจการสังเกตการณ์ของ CANDELS ไม่มีใครมีแบบจำลองที่สมบูรณ์แบบได้ เมื่อเราทำงานนี้ต่อไปเราจะพัฒนาแบบจำลองที่ดีขึ้นต่อไป
ตัวอย่างเช่นการจำลองของทีมไม่ได้รวมถึงบทบาทที่เล่นโดย Active Galactic Nuclei (AGN) ในกาแลคซีขนาดใหญ่ก๊าซและฝุ่นถูกอัดเข้าสู่หลุมดำ Supermassive (SMBH) ตรงกลางที่แกนกลางซึ่งทำให้ก๊าซและการแผ่รังสีถูกพุ่งออกมาในไอพ่นขนาดใหญ่ การศึกษาเมื่อเร็ว ๆ นี้ระบุว่าสิ่งนี้อาจมีผลต่อการก่อตัวดาวฤกษ์ในกาแลคซี
อย่างไรก็ตามการสำรวจกาแลคซีที่อายุน้อยกว่าได้แสดงหลักฐานของปรากฏการณ์ที่พบในการจำลองของทีมซึ่งแกนกลางที่อุดมด้วยก๊าซนำไปสู่ระยะนักเก็ตสีน้ำเงิน การใช้การเรียนรู้อย่างลึกซึ้งเพื่อศึกษาวิวัฒนาการกาแลคซีมีศักยภาพที่จะเปิดเผยแง่มุมที่ไม่สามารถตรวจจับได้ของข้อมูลเชิงสังเกตการณ์ก่อนหน้านี้ แทนที่จะสำรวจกาแลคซีเป็นภาพรวมในเวลานักดาราศาสตร์จะสามารถจำลองว่าพวกมันมีวิวัฒนาการมานานนับพันล้านปีอย่างไร
“ การเรียนรู้อย่างลึกซึ้งมองหารูปแบบและเครื่องสามารถเห็นรูปแบบที่ซับซ้อนจนมนุษย์เราไม่เห็นพวกเขา” เขากล่าว “ เราต้องการทดสอบวิธีนี้มากขึ้น แต่ในการศึกษาการพิสูจน์แนวคิดเครื่องดูเหมือนจะประสบความสำเร็จในข้อมูลในขั้นตอนต่าง ๆ ของวิวัฒนาการกาแลคซีที่ระบุในแบบจำลอง”
ในอนาคตนักดาราศาสตร์จะมีข้อมูลการสังเกตเพิ่มเติมเพื่อวิเคราะห์ด้วยการใช้กล้องโทรทรรศน์รุ่นต่อไปเช่น กล้องโทรทรรศน์สำรวจสรุปขนาดใหญ่ (LSST) กล้องโทรทรรศน์อวกาศเจมส์เวบบ์ (JWST) และ กล้องโทรทรรศน์สำรวจสนามไวด์ฟิลด์ (WFIRST) กล้องโทรทรรศน์เหล่านี้จะให้ชุดข้อมูลที่มีขนาดใหญ่มากขึ้นซึ่งสามารถวิเคราะห์โดยวิธีการเรียนรู้ของเครื่องเพื่อกำหนดรูปแบบที่มีอยู่
ดาราศาสตร์และปัญญาประดิษฐ์ทำงานร่วมกันเพื่อทำความเข้าใจจักรวาลให้ดีขึ้น ฉันสงสัยว่าเราควรใส่มันในการค้นหาทฤษฎีของทุกอย่าง (ToE) ด้วยหรือไม่!
