Une méthode d'apprentissage automatique appelée « deep learning, " qui a été largement utilisé dans la reconnaissance faciale et d'autres applications de reconnaissance d'images et de la parole, s'est révélée prometteuse en aidant les astronomes à analyser des images de galaxies et à comprendre comment elles se forment et évoluent.

Dans une nouvelle étude, accepté pour publication dans Journal d'astrophysique et disponible en ligne, les chercheurs ont utilisé des simulations informatiques de la formation des galaxies pour former un algorithme d'apprentissage en profondeur, qui s'est ensuite révélé étonnamment efficace pour analyser les images de galaxies du télescope spatial Hubble.

Les chercheurs ont utilisé les résultats des simulations pour générer des images fictives de galaxies simulées telles qu'elles apparaîtraient dans les observations du télescope spatial Hubble. Les images fictives ont été utilisées pour entraîner le système d'apprentissage en profondeur à reconnaître trois phases clés de l'évolution des galaxies précédemment identifiées dans les simulations. Les chercheurs ont ensuite donné au système un grand nombre d'images réelles de Hubble à classer.

Les résultats ont montré un niveau remarquable de cohérence dans les classifications du réseau de neurones des galaxies simulées et réelles.

"Nous ne nous attendions pas à ce que ce soit un tel succès. Je suis étonné de voir à quel point c'est puissant, " a déclaré le co-auteur Joel Primack, professeur émérite de physique et membre du Santa Cruz Institute for Particle Physics (SCIPP) de l'UC Santa Cruz. "Nous savons que les simulations ont des limites, donc nous ne voulons pas faire une réclamation trop forte. Mais nous ne pensons pas que ce soit juste un coup de chance."

Les galaxies sont des phénomènes complexes, changeant d'apparence au fur et à mesure qu'ils évoluent sur des milliards d'années, et les images de galaxies ne peuvent fournir que des instantanés dans le temps. Les astronomes peuvent regarder plus profondément dans l'univers et ainsi "remonter le temps" pour voir des galaxies antérieures (en raison du temps qu'il faut à la lumière pour parcourir des distances cosmiques), mais suivre l'évolution d'une galaxie individuelle au fil du temps n'est possible que dans des simulations. La comparaison des galaxies simulées aux galaxies observées peut révéler des détails importants sur les galaxies réelles et leurs histoires probables.

Dans la nouvelle étude, les chercheurs se sont particulièrement intéressés à un phénomène observé dans les simulations au début de l'évolution des galaxies riches en gaz, lorsque de gros flux de gaz au centre d'une galaxie alimentent la formation d'un petit, dense, région de formation d'étoiles appelée « pépite bleue ». (Jeune, les étoiles chaudes émettent de courtes longueurs d'onde de lumière "bleues", donc le bleu indique une galaxie avec une formation d'étoiles active, alors que plus âgé, les étoiles plus froides émettent plus de lumière "rouge".)

Dans les données simulées et observationnelles, le programme informatique a découvert que la phase de « pépite bleue » ne se produit que dans les galaxies dont les masses se situent dans une certaine plage. Ceci est suivi par l'extinction de la formation d'étoiles dans la région centrale, conduisant à une phase compacte de « pépite rouge ». La cohérence de la gamme de masse était une découverte passionnante, car cela suggère que l'algorithme d'apprentissage en profondeur identifie de lui-même un modèle qui résulte d'un processus physique clé se produisant dans de vraies galaxies.

"Il se peut que dans une certaine gamme de taille, les galaxies ont juste la bonne masse pour que ce processus physique se produise, " a déclaré le coauteur David Koo, professeur émérite d'astronomie et d'astrophysique à l'UC Santa Cruz.

Les chercheurs ont utilisé des simulations de galaxies de pointe (les simulations VELA) développées par Primack et une équipe internationale de collaborateurs, dont Daniel Ceverino (Université de Heidelberg), qui a exécuté les simulations, et Avishai Dekel (Université hébraïque), qui a dirigé leur analyse et leur interprétation et développé de nouveaux concepts physiques basés sur eux. Toutes ces simulations sont limitées, cependant, dans leur capacité à capturer la physique complexe de la formation des galaxies.

En particulier, les simulations utilisées dans cette étude n'incluaient pas la rétroaction des noyaux galactiques actifs (injection d'énergie à partir du rayonnement car le gaz est accrété par un trou noir supermassif central). De nombreux astronomes considèrent ce processus comme un facteur important régulant la formation d'étoiles dans les galaxies. Néanmoins, observations de lointaines, les jeunes galaxies semblent montrer des preuves du phénomène conduisant à la phase de pépite bleue observée dans les simulations.

Pour les données d'observation, l'équipe a utilisé des images de galaxies obtenues dans le cadre du projet CANDELS (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey), le plus grand projet de l'histoire du télescope spatial Hubble. Premier auteur Marc Huertas-Company, astronome à l'Observatoire de Paris et à l'Université Paris Diderot, avait déjà fait un travail de pionnier en appliquant des méthodes d'apprentissage en profondeur aux classifications de galaxies en utilisant les données CANDELS accessibles au public.

Koo, un co-investigateur CANDELS, a invité Huertas-Company à visiter l'UC Santa Cruz pour poursuivre ce travail. Google a soutenu leurs travaux sur l'apprentissage en profondeur en astronomie grâce à des dons de fonds de recherche à Koo et Primack, permettant à Huertas-Company de passer les deux derniers étés à Santa Cruz, avec des plans pour une autre visite à l'été 2018.

"Ce projet n'était qu'une des nombreuses idées que nous avions, " a déclaré Koo. "Nous voulions choisir un processus que les théoriciens peuvent définir clairement sur la base des simulations, et cela a quelque chose à voir avec l'apparence d'une galaxie, demandez ensuite à l'algorithme d'apprentissage en profondeur de le rechercher dans les observations. Nous commençons tout juste à explorer cette nouvelle façon de faire de la recherche. C'est une nouvelle façon de fusionner théorie et observations."

Pendant des années, Primack a travaillé en étroite collaboration avec Koo et d'autres astronomes de l'UC Santa Cruz pour comparer les simulations de son équipe sur la formation et l'évolution des galaxies avec les observations CANDELS. "Les simulations VELA ont eu beaucoup de succès pour nous aider à comprendre les observations CANDELS, " a déclaré Primack. "Personne n'a de simulations parfaites, bien que. Alors que nous poursuivons ce travail, nous continuerons à développer de meilleures simulations."

Selon Koo, l'apprentissage en profondeur a le potentiel de révéler des aspects des données d'observation que les humains ne peuvent pas voir. L'inconvénient est que l'algorithme est comme une "boîte noire, " il est donc difficile de savoir quelles caractéristiques des données la machine utilise pour faire ses classifications. Les techniques d'interrogation du réseau permettent d'identifier quels pixels d'une image ont le plus contribué à la classification, cependant, et les chercheurs ont testé une telle méthode sur leur réseau.

"L'apprentissage en profondeur recherche des modèles, et la machine peut voir des modèles qui sont si complexes que nous, les humains, ne les voyons pas, " a déclaré Koo. "Nous voulons faire beaucoup plus de tests de cette approche, mais dans cette étude de preuve de concept, la machine a semblé réussir à trouver dans les données les différentes étapes de l'évolution des galaxies identifiées dans les simulations."

À l'avenir, il a dit, les astronomes auront beaucoup plus de données d'observation à analyser à la suite de grands projets d'enquête et de nouveaux télescopes tels que le Large Synoptic Survey Telescope, le télescope spatial James Webb, et le télescope d'enquête infrarouge à grand champ. L'apprentissage en profondeur et d'autres méthodes d'apprentissage automatique pourraient être des outils puissants pour donner un sens à ces ensembles de données massifs.

"C'est le début d'une période très excitante pour l'utilisation de l'intelligence artificielle avancée en astronomie, " dit Koo.