Deep-CEE, la inteligencia artificial que ayudará a los astrónomos a buscar cúmulos de Galaxias

Cúmulo de galaxias Abell1689. Crédito: NASA / ESA.

Los cúmulos de galaxias son algunas de las estructuras más masivas del cosmos, pero a pesar de tener millones de años luz de largo, aún pueden ser difíciles de detectar. Los investigadores de la Universidad de Lancaster han recurrido a la inteligencia artificial para obtener asistencia, desarrollando el "Deep-CEE" (Aprendizaje profundo para la extracción y evaluación de cúmulos de Galaxias), una nueva técnica de aprendizaje profundo para acelerar el proceso de búsqueda. Matthew Chan, estudiante de doctorado en la Universidad de Lancaster, presentó este trabajo en la reunión de Astronomía Nacional de la Royal Astronomical Society el 4 de julio a las 3:45 pm en la sesión de Aprendizaje automático en astrofísica.

La mayoría de las galaxias en el universo viven en entornos de baja densidad conocidos como "el campo", o en grupos pequeños, como el que contiene nuestra Vía Láctea y Andrómeda. Los cúmulos de galaxias son más raros, pero representan los entornos más extremos en los que pueden vivir las galaxias y estudiarlos puede ayudarnos a comprender mejor la materia oscura y la energía oscura.

Durante la década de 1950, el pionero de la búsqueda de cúmulos de galaxias, el astrónomo George Abell, pasó muchos años buscando cúmulos de galaxias a ojo, usando una lupa y placas fotográficas para localizarlos. Abell analizó manualmente alrededor de 2.000 placas fotográficas, buscando firmas visuales de los cúmulos de galaxias y detallando las coordenadas astronómicas de las regiones densas de galaxias. Su trabajo dio como resultado el 'catálogo de Abell' de cúmulos de galaxias que se encuentran en el hemisferio norte.

Un diagrama que muestra una descripción general de alto nivel de la arquitectura del modelo Deep-CEE. Esta novedosa herramienta de aprendizaje profundo ha sido diseñada para ayudar a encontrar cúmulos de galaxias. Crédito: M. C. Chan y J. P. Stott, MNRAS presentado y basado en Ren et al. 2015.

Deep-CEE se basa en el enfoque de Abell para identificar cúmulos de galaxias, pero reemplaza al astrónomo con un modelo de IA que ha sido entrenado para "mirar" imágenes de color e identificar cúmulos de galaxias. Es un modelo moderno basado en redes neuronales, diseñado para imitar la forma en que un cerebro humano aprende a reconocer objetos activando neuronas específicas al visualizar patrones y colores distintivos.

Chan entrenó a la IA al mostrarle repetidamente ejemplos de objetos conocidos, etiquetados, en imágenes hasta que el algoritmo puede aprender a asociar objetos por sí solo. Luego realizó un estudio piloto para probar la capacidad del algoritmo para identificar y clasificar los grupos de galaxias en imágenes que contienen muchos otros objetos astronómicos.

Imagen que muestra el cúmulo de galaxias Abell1689. La novedosa herramienta de aprendizaje profundo Deep-CEE ha sido desarrollada para acelerar el proceso de búsqueda de cúmulos de galaxias como esta, y se inspira en su enfoque del pionero de la búsqueda de cúmulos de galaxias, George Abell, quien buscó manualmente miles de placas fotográficas en los años cincuenta. Crédito: NASA / ESA.

"Hemos aplicado con éxito Deep-CEE a Sloan Digital Sky Survey", dice Chan, "en última instancia, ejecutaremos nuestro modelo en estudios revolucionarios, como el telescopio de levantamiento sinóptico grande (LSST), que explorará más y más profundamente las regiones del Universo. nunca antes explorado

Los nuevos telescopios de vanguardia han permitido a los astrónomos observar de forma más amplia y profunda que nunca, como estudiar la estructura a gran escala del universo y cartografiar su vasto contenido no descubierto.

Al automatizar el proceso de descubrimiento, los científicos pueden escanear rápidamente conjuntos de imágenes y devolver predicciones precisas con una interacción humana mínima. Esto será esencial para analizar los datos en el futuro. El próximo rastreo del cielo del LSST (que estará disponible en línea en 2021) mostrará el firmamento de todo el hemisferio sur, generando un estimado de 15 TB de datos cada noche.

"Las técnicas de extracción de datos, como el aprendizaje profundo, nos ayudarán a analizar los enormes resultados de los telescopios modernos", dice el Dr. John Stott (supervisor de PhD de Chan). "Esperamos que nuestro método encuentre miles de grupos nunca vistos por la ciencia".

Chan presentó los hallazgos de su artículo "La pesca de cúmulos de galaxias con redes neuronales" Profundo-CEE "" el 4 de julio a las 15:45 en la sesión 'Aprendizaje automático en astrofísica'. (Chan y Stott 2019) que se ha enviado a MNRAS y se puede encontrar en Arxiv aquí: https: / / arxiv. org / abs / 1906. 08784 .

Fuente: Royal Astronomical Society,