Banyak perhatian telah didedikasikan untuk teknik pembelajaran mesin yang dikenal sebagai "pembelajaran mendalam", di mana komputer mampu membedakan pola dalam data tanpa secara khusus diprogram untuk melakukannya. Dalam beberapa tahun terakhir, teknik ini telah diterapkan pada sejumlah aplikasi, yang meliputi pengenalan suara dan wajah untuk platform media sosial seperti Facebook.
Namun, para astronom juga mendapat manfaat dari pembelajaran yang mendalam, yang membantu mereka untuk menganalisis gambar galaksi dan memahami bagaimana mereka terbentuk dan berevolusi. Dalam sebuah studi baru, tim peneliti internasional menggunakan algoritma pembelajaran yang mendalam untuk menganalisis gambar galaksi dari Teleskop Luar Angkasa Hubble. Metode ini terbukti efektif dalam mengklasifikasikan galaksi-galaksi ini berdasarkan pada tahap apa mereka dalam evolusi mereka.
Studi yang berjudul “Pembelajaran Mendalam Mengidentifikasi Galaksi Z Tinggi di Fase Nugget Biru Tengah dalam Kisaran Massa Karakteristik”, baru-baru ini muncul secara online dan telah diterima untuk publikasi di Jurnal Astrofisika. Studi ini dipimpin oleh Marc Huertes-Perusahaan dari Universitas Paris Diderot dan termasuk anggota dari Universitas California Santa Cruz (UCSC), Universitas Ibrani, Institut Ilmu Teleskop Antariksa, Universitas Pennsylvania Philadelphia, MINES ParisTech dan Shanghai Normal University (SNHU).
Di masa lalu, Marc Huertas-Company telah menerapkan metode pembelajaran yang dalam Hubble data demi klasifikasi galaksi. Bekerja sama dengan David Koo dan Joel Primack, keduanya adalah profesor emeritus 'di UC Santa Cruz (dan dengan dukungan dari Google), Huertas-Company dan tim menghabiskan dua musim panas lalu mengembangkan jaringan saraf yang dapat mengidentifikasi galaksi pada tahap yang berbeda. dalam evolusi mereka.
"Proyek ini hanyalah salah satu dari beberapa ide yang kami miliki," kata Koo dalam siaran pers USCS baru-baru ini. “Kami ingin memilih proses yang dapat didefinisikan dengan jelas oleh para ahli teori berdasarkan simulasi, dan itu ada kaitannya dengan bagaimana sebuah galaksi terlihat, kemudian minta algoritma pembelajaran yang dalam mencarinya dalam pengamatan. Kami baru mulai mengeksplorasi cara baru melakukan penelitian ini. Ini adalah cara baru untuk menggabungkan teori dan pengamatan. "
Demi penelitian mereka, para peneliti menggunakan simulasi komputer untuk menghasilkan gambar tiruan galaksi karena mereka akan melihat dalam pengamatan oleh Teleskop Luar Angkasa Hubble. Gambar tiruan digunakan untuk melatih jaringan syaraf pembelajaran yang dalam untuk mengenali tiga fase utama evolusi galaksi yang sebelumnya telah diidentifikasi dalam simulasi. Para peneliti kemudian menggunakan jaringan untuk menganalisis satu set besar gambar Hubble yang sebenarnya.
Seperti gambar-gambar sebelumnya yang dianalisa oleh Huertas-Company, gambar-gambar ini merupakan bagian dari proyek Hubble's Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey (CANDELS) - proyek terbesar dalam sejarah Teleskop Luar Angkasa Hubble. Apa yang mereka temukan adalah bahwa klasifikasi jaringan syaraf dari galaksi yang disimulasikan dan nyata sangat konsisten. Seperti yang Joel Primack jelaskan:
“Kami tidak mengharapkan semua itu berhasil. Saya kagum pada betapa kuatnya ini. Kami tahu simulasi memiliki keterbatasan, jadi kami tidak ingin membuat klaim yang terlalu kuat. Tapi kami tidak berpikir ini hanya kebetulan beruntung. "
Tim peneliti terutama tertarik pada galaksi yang memiliki wilayah pembentuk bintang yang kecil dan padat yang dikenal sebagai "nugget biru". Daerah ini terjadi pada awal evolusi galaksi yang kaya gas, ketika aliran besar gas ke pusat galaksi menyebabkan pembentukan bintang-bintang muda yang memancarkan cahaya biru. Untuk mensimulasikan ini dan jenis galaksi lainnya, tim mengandalkan simulasi VELA yang canggih yang dikembangkan oleh Primack dan tim kolaborator internasional.
Baik dalam data simulasi dan pengamatan, program komputer menemukan bahwa fase "nugget biru" hanya terjadi pada galaksi dengan massa dalam rentang tertentu. Ini diikuti oleh pembentukan bintang yang berakhir di wilayah tengah, yang mengarah ke fase "red nugget" yang ringkas, di mana bintang-bintang di wilayah pusat keluar dari fase urutan utama mereka dan menjadi raksasa merah.
Konsistensi dari rentang massa itu menarik karena menunjukkan bahwa jaringan saraf mengidentifikasi pola yang dihasilkan dari proses fisik kunci dalam galaksi nyata - dan tanpa harus secara khusus diberitahu untuk melakukannya. Seperti yang ditunjukkan Koo, penelitian ini sebagai langkah besar ke depan untuk astronomi dan AI, tetapi banyak penelitian masih perlu dilakukan:
“Simulasi VELA telah banyak berhasil dalam hal membantu kami memahami pengamatan CANDELS. Tidak ada yang memiliki simulasi sempurna. Saat kami melanjutkan pekerjaan ini, kami akan terus mengembangkan simulasi yang lebih baik. "
Misalnya, simulasi tim tidak termasuk peran yang dimainkan oleh Active Galactic Nuclei (AGN). Dalam galaksi yang lebih besar, gas dan debu bertambah ke Lubang Hitam Supermasif pusat (SMBH) di inti, yang menyebabkan gas dan radiasi dikeluarkan dalam jet besar. Beberapa studi baru-baru ini telah menunjukkan bagaimana ini mungkin memiliki efek penahanan pada pembentukan bintang di galaksi.
Namun, pengamatan galaksi yang jauh dan lebih muda telah menunjukkan bukti fenomena yang diamati dalam simulasi tim, di mana inti yang kaya gas mengarah ke fase nugget biru. Menurut Koo, menggunakan pembelajaran mendalam untuk mempelajari evolusi galaksi berpotensi untuk mengungkapkan aspek data pengamatan yang sebelumnya tidak terdeteksi. Alih-alih mengamati galaksi sebagai snapshot dalam waktu, para astronom akan dapat mensimulasikan bagaimana mereka berevolusi selama miliaran tahun.
"Pembelajaran mendalam mencari pola, dan mesin dapat melihat pola yang sangat rumit sehingga kita manusia tidak melihatnya," katanya. "Kami ingin melakukan lebih banyak pengujian pendekatan ini, tetapi dalam studi proof-of-concept ini, mesin tampaknya berhasil menemukan dalam data berbagai tahapan evolusi galaksi yang diidentifikasi dalam simulasi."
Di masa depan, para astronom akan memiliki lebih banyak data pengamatan untuk dianalisis berkat penyebaran teleskop generasi mendatang seperti Teleskop Survei Sinoptik Besar (LSST), yang James Webb Space Telescope (JWST), dan Teleskop Survei Inframerah Bidang Luas (WFIRST). Teleskop ini akan menyediakan dataset yang lebih masif, yang kemudian dapat dianalisis dengan metode pembelajaran mesin untuk menentukan pola apa yang ada.
Astronomi dan kecerdasan buatan, bekerja bersama untuk meningkatkan pemahaman kita tentang Semesta. Saya bertanya-tanya apakah kita harus meletakkannya pada tugas menemukan Teori Segalanya (ToE) juga!
