Banyak perhatian telah diberikan untuk teknik pembelajaran mesin yang dikenal sebagai "pembelajaran dalam", di mana komputer mampu memperhatikan corak dalam data tanpa diprogram secara khusus untuk melakukannya. Dalam beberapa tahun terakhir, teknik ini telah diterapkan pada sejumlah aplikasi, termasuk pengecaman suara dan wajah untuk platform media sosial seperti Facebook.
Walau bagaimanapun, ahli astronomi juga mendapat manfaat dari pembelajaran mendalam, yang membantu mereka menganalisis gambar galaksi dan memahami bagaimana mereka terbentuk dan berkembang. Dalam kajian baru, sekumpulan penyelidik antarabangsa menggunakan algoritma pembelajaran mendalam untuk menganalisis gambar galaksi dari Teleskop Angkasa Hubble. Kaedah ini terbukti berkesan untuk mengklasifikasikan galaksi-galaksi ini berdasarkan tahap mana mereka berada dalam evolusi mereka.
Kajian yang berjudul "Pembelajaran Dalam Mengenal Galaksi High-z dalam Fasa Nugget Biru Tengah dalam Julat Massa Karakteristik", baru-baru ini muncul dalam talian dan telah diterima untuk diterbitkan di Jurnal Astrofizik. Kajian ini diketuai oleh Marc Huertes-Company dari University Paris Diderot dan merangkumi anggota dari University of California Santa Cruz (UCSC), Universiti Hebrew, Institut Sains Teleskop Angkasa, University of Pennsylvania Philadelphia, MINES ParisTech dan Shanghai Normal University (SNHU).
Pada masa lalu, Marc Huertas-Company telah menggunakan kaedah pembelajaran mendalam untuk Hubble data demi pengelasan galaksi. Dengan kerjasama David Koo dan Joel Primack, keduanya adalah profesor emeritus 'di UC Santa Cruz (dan dengan sokongan dari Google), Huertas-Company dan pasukan menghabiskan dua musim panas yang lalu untuk mengembangkan rangkaian saraf yang dapat mengenal pasti galaksi pada tahap yang berbeza dalam evolusi mereka.
"Projek ini hanyalah satu daripada beberapa idea yang kami ada," kata Koo dalam siaran akhbar USCS baru-baru ini. "Kami ingin memilih proses yang dapat ditentukan oleh ahli teori dengan jelas berdasarkan simulasi, dan yang ada kaitannya dengan bagaimana galaksi kelihatan, kemudian cari algoritma pembelajaran mendalam untuk dicerap. Kami baru mula meneroka kaedah penyelidikan baru ini. Ini adalah kaedah baru untuk menggabungkan teori dan pemerhatian. "
Demi kajian mereka, para penyelidik menggunakan simulasi komputer untuk menghasilkan gambar galaksi palsu kerana mereka akan melihat pemerhatian oleh Teleskop Angkasa Hubble. Gambar tiruan digunakan untuk melatih jaringan saraf pembelajaran mendalam untuk mengenali tiga fasa utama evolusi galaksi yang sebelumnya dikenal pasti dalam simulasi. Para penyelidik kemudian menggunakan rangkaian untuk menganalisis sekumpulan besar gambar Hubble sebenar.
Seperti gambar-gambar sebelumnya yang dianalisis oleh Huertas-Company, gambar-gambar ini merupakan sebahagian daripada projek Hubble’s Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey (CANDELS) - projek terbesar dalam sejarah Teleskop Angkasa Hubble. Apa yang mereka dapati adalah bahawa klasifikasi rangkaian saraf mengenai galaksi simulasi dan nyata sangat konsisten. Seperti yang dijelaskan oleh Joel Primack:
"Kami tidak menyangka semuanya akan berjaya. Saya kagum dengan betapa hebatnya ini. Kami tahu simulasi mempunyai had, jadi kami tidak mahu membuat tuntutan yang terlalu kuat. Tetapi kami tidak fikir ini hanyalah kebetulan yang beruntung. "
Pasukan penyelidik sangat tertarik pada galaksi yang memiliki wilayah kecil, padat dan berbentuk bintang yang dikenal sebagai "nugget biru". Kawasan-kawasan ini terjadi pada awal evolusi galaksi yang kaya dengan gas, ketika aliran gas yang besar ke pusat galaksi menyebabkan pembentukan bintang muda yang memancarkan cahaya biru. Untuk mensimulasikan galaksi ini dan jenis galaksi lain, pasukan bergantung pada simulasi VELA canggih yang dikembangkan oleh Primack dan pasukan kolaborator antarabangsa.
Dalam data simulasi dan pengamatan, program komputer mendapati bahawa fasa “blue nugget” hanya terjadi pada galaksi dengan massa dalam julat tertentu. Ini diikuti oleh pembentukan bintang yang berakhir di wilayah tengah, menuju fasa "nugget merah" padat, di mana bintang-bintang di wilayah tengah keluar dari fasa urutan utama mereka dan menjadi raksasa merah.
Konsistensi julat massa sangat menarik kerana menunjukkan bahawa rangkaian saraf mengenal pasti corak yang dihasilkan dari proses fizikal utama dalam galaksi sebenar - dan tanpa perlu diberitahu secara khusus untuk melakukannya. Seperti yang ditunjukkan oleh Koo, kajian ini merupakan langkah besar untuk astronomi dan AI, tetapi masih banyak kajian yang perlu dilakukan:
"Simulasi VELA telah mencapai banyak kejayaan dari segi membantu kami memahami pemerhatian CANDELS. Tidak ada yang mempunyai simulasi yang sempurna. Semasa kami meneruskan kerja ini, kami akan terus mengembangkan simulasi yang lebih baik. "
Contohnya, simulasi pasukan tidak termasuk peranan yang dimainkan oleh Active Galactic Nuclei (AGN). Dalam galaksi yang lebih besar, gas dan debu masuk ke Lubang Hitam Supermasif pusat (SMBH) di teras, yang menyebabkan gas dan radiasi dikeluarkan dalam jet besar. Beberapa kajian baru-baru ini menunjukkan bagaimana ini mungkin memberi kesan yang kuat terhadap pembentukan bintang di galaksi.
Walau bagaimanapun, pemerhatian galaksi yang jauh dan lebih muda telah menunjukkan bukti fenomena yang diperhatikan dalam simulasi pasukan, di mana teras kaya gas menuju ke fasa nugget biru. Menurut Koo, menggunakan pembelajaran mendalam untuk mengkaji evolusi galaksi berpotensi untuk mengungkapkan aspek data pemerhatian yang sebelumnya tidak dapat dikesan. Daripada memerhatikan galaksi sebagai gambaran tepat pada waktunya, para astronom akan dapat mensimulasikan bagaimana mereka berkembang selama berbilion tahun.
"Pembelajaran mendalam mencari corak, dan mesin dapat melihat corak yang sangat kompleks sehingga kita manusia tidak melihatnya," katanya. "Kami ingin melakukan lebih banyak pengujian terhadap pendekatan ini, tetapi dalam kajian bukti konsep ini, mesin sepertinya berjaya menemukan dalam data tahap evolusi galaksi yang berbeza yang dikenal pasti dalam simulasi."
Pada masa akan datang, para astronom akan mempunyai lebih banyak data pemerhatian untuk dianalisis berkat penggunaan teleskop generasi akan datang seperti Teleskop Kajian Sinoptik Besar (LSST), Teleskop Angkasa James Webb (JWST), dan Teleskop Penyiasatan Inframerah Lebar Lebar (WFIRST). Teleskop ini akan menyediakan kumpulan data yang lebih besar lagi, yang kemudian dapat dianalisis dengan kaedah pembelajaran mesin untuk menentukan corak apa yang ada.
Astronomi dan kecerdasan buatan, bekerjasama untuk meningkatkan pemahaman kita tentang Alam Semesta. Saya tertanya-tanya adakah kita harus meletakkan tugas untuk mencari Teori Segala-galanya (ToE) juga!
