• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Astronomie
    27 millions de morphologies de galaxies quantifiées et cataloguées à l'aide du machine learning

    Une image de NGC 1365 collectée par le Dark Energy Survey. Également connue sous le nom de grande galaxie spirale barrée, NGC 1365 est un exemple de galaxie spirale et est située à environ 56 millions d'années-lumière. Crédit :DECam, Collaboration DES

    Les recherches du département de physique et d'astronomie de Penn ont produit le plus grand catalogue de classification de la morphologie des galaxies à ce jour. Dirigé par les anciens post-doctorants Jesús Vega-Ferrero et Helena Domínguez Sánchez, qui a travaillé avec le professeur Mariangela Bernardi, ce catalogue de 27 millions de morphologies de galaxies fournit des informations clés sur l'évolution de l'univers. L'étude a été publiée dans Avis mensuels de la Royal Astronomical Society .

    Les chercheurs ont utilisé les données du Dark Energy Survey (DES), un programme de recherche international dont l'objectif est d'imager un huitième du ciel pour mieux comprendre le rôle de l'énergie noire dans l'accélération de l'expansion de l'univers.

    Un sous-produit de cette enquête est que les données DES contiennent beaucoup plus d'images de galaxies lointaines que les autres enquêtes à ce jour. "Les images DES nous montrent à quoi ressemblaient les galaxies il y a plus de 6 milliards d'années, " dit Bernardi.

    Et parce que DES a des millions d'images de haute qualité d'objets astronomiques, c'est l'ensemble de données parfait pour étudier la morphologie des galaxies. "La morphologie des galaxies est l'un des aspects clés de l'évolution des galaxies. La forme et la structure des galaxies contiennent de nombreuses informations sur la façon dont elles se sont formées, et connaître leurs morphologies nous donne des indices sur les voies probables de la formation des galaxies, ", dit Domínguez Sánchez.

    Précédemment, les chercheurs avaient publié un catalogue morphologique de plus de 600, 000 galaxies du Sloan Digital Sky Survey (SDSS). Pour faire ça, ils ont développé un réseau de neurones convolutifs, un type d'algorithme d'apprentissage automatique, qui était capable de catégoriser automatiquement si une galaxie appartenait à l'un des deux groupes principaux :les galaxies spirales, qui ont un disque en rotation où naissent de nouvelles étoiles, et galaxies elliptiques, qui sont plus gros, et faites d'étoiles plus anciennes qui se déplacent de manière plus aléatoire que leurs homologues en spirale.

    Mais le catalogue développé à l'aide de l'ensemble de données SDSS était principalement composé de galaxies proches, dit Vega-Ferrero. Dans leur dernière étude, les chercheurs ont voulu affiner leur modèle de réseau de neurones pour pouvoir classer les plus faibles, galaxies plus lointaines. "Nous avons voulu repousser les limites de la classification morphologique et essayer d'aller au-delà, aux objets plus pâles ou aux objets plus éloignés, " dit Vega-Ferrero.

    Images d'une galaxie spirale (en haut) et elliptique simulée à différentes qualités d'image et niveaux de décalage vers le rouge, illustrant à quoi pourraient ressembler des galaxies plus faibles et plus éloignées dans l'ensemble de données DES. Crédit :Jesus Vega-Ferrero et Helena Dominguez-Sanchez

    Pour faire ça, les chercheurs ont d'abord dû entraîner leur modèle de réseau neuronal pour pouvoir classer les images les plus pixelisées à partir de l'ensemble de données DES. Ils ont d'abord créé un modèle d'entraînement avec des classifications morphologiques connues auparavant, composé d'un ensemble de 20, 000 galaxies qui se chevauchaient entre DES et SDSS. Puis, ils ont créé des versions simulées de nouvelles galaxies, imitant à quoi ressembleraient les images si elles étaient plus éloignées à l'aide du code développé par le scientifique Mike Jarvis.

    Une fois le modèle entraîné et validé sur des galaxies simulées et réelles, il a été appliqué à l'ensemble de données DES, et le catalogue résultant de 27 millions de galaxies comprend des informations sur la probabilité qu'une galaxie individuelle soit elliptique ou spirale. Les chercheurs ont également découvert que leur réseau neuronal était précis à 97 % pour classer la morphologie des galaxies, même pour les galaxies trop faibles pour être classées à l'œil nu.

    "Nous avons repoussé les limites de trois ordres de grandeur, aux objets qui sont 1, 000 fois plus faible que les originaux, " dit Vega-Ferrero. "C'est pourquoi nous avons pu inclure autant de galaxies supplémentaires dans le catalogue."

    "Des catalogues comme celui-ci sont importants pour étudier la formation des galaxies, " Bernardi dit à propos de l'importance de cette dernière publication. "Ce catalogue sera également utile pour voir si la morphologie et les populations stellaires racontent des histoires similaires sur la façon dont les galaxies se sont formées."

    Pour ce dernier point, Domínguez Sánchez combine actuellement leurs estimations morphologiques avec des mesures de la composition chimique, âge, taux de formation d'étoiles, Masse, et la distance des mêmes galaxies. L'intégration de ces informations permettra aux chercheurs de mieux étudier la relation entre la morphologie des galaxies et la formation des étoiles, travail qui sera crucial pour une meilleure compréhension de l'évolution des galaxies.

    Bernardi dit qu'il y a un certain nombre de questions ouvertes sur l'évolution des galaxies que ce nouveau catalogue, et les méthodes développées pour le créer, peut aider à résoudre. La prochaine enquête LSST/Rubin, par exemple, utilisera des méthodes de photométrie similaires au DES mais aura la capacité d'imager des objets encore plus éloignés, l'occasion de mieux comprendre l'évolution de l'univers.


    © Science https://fr.scienceaq.com