Récemment, une équipe internationale dirigée par le professeur Ge Jian de l'Observatoire astronomique de Shanghai de l'Académie chinoise des sciences a mené une recherche de signaux faibles rares dans les données spectrales des quasars publiées par le programme Sloan Digital Sky Survey III (SDSS-III) en utilisant l'apprentissage profond. réseaux de neurones.
En introduisant une nouvelle méthode pour explorer la formation et l’évolution des galaxies, l’équipe a présenté le potentiel de l’intelligence artificielle (IA) dans l’identification de signaux faibles rares dans les mégadonnées astronomiques. L'étude a été publiée dans Monthly Notices of the Royal Astronomical Society. .
Les « absorbeurs de carbone neutre » provenant des gaz froids et de la poussière de l'univers servent de sondes cruciales pour étudier la formation et l'évolution des galaxies. Cependant, les signaux des raies d'absorption du carbone neutre sont faibles et extrêmement rares.
Les astronomes ont eu du mal à détecter ces absorbeurs dans des ensembles massifs de données spectrales de quasar en utilisant des méthodes de corrélation conventionnelles. "C'est comme chercher une aiguille dans une botte de foin", a déclaré le professeur Ge.
En 2015, 66 absorbeurs de carbone neutre ont été découverts dans le spectre de dizaines de milliers de quasars libérés précédemment par SDSS, ce qui représente le plus grand nombre d'échantillons obtenus.
Dans cette étude, l'équipe du professeur Ge a conçu et formé des réseaux neuronaux profonds avec un grand nombre d'échantillons simulés de raies d'absorption de carbone neutre basés sur des observations réelles. En appliquant ces réseaux neuronaux bien entraînés aux données SDSS-III, l'équipe a découvert 107 absorbeurs de carbone neutre extrêmement rares, doublant le nombre d'échantillons obtenus en 2015, et détecté des signaux plus faibles qu'auparavant.
En empilant les spectres de nombreux absorbeurs de carbone neutre, l'équipe a considérablement amélioré la capacité de détecter l'abondance de divers éléments et de mesurer directement la perte de métal dans le gaz provoquée par la poussière.
Les résultats ont indiqué que ces premières galaxies, contenant des sondes absorbantes de carbone neutre, ont subi une évolution physique et chimique rapide alors que l’univers n’avait qu’environ trois milliards d’années (l’âge actuel de l’univers est de 13,8 milliards). Ces galaxies entraient dans un état d'évolution entre le Grand Nuage de Magellan (LMC) et la Voie Lactée (MW), produisant une quantité substantielle de métaux, dont certains se liaient pour former des particules de poussière, conduisant à l'effet observé de rougeur de la poussière. /P>
Cette découverte corrobore de manière indépendante les découvertes récentes du télescope spatial James Webb (JWST) qui ont détecté de la poussière de carbone semblable à du diamant dans les premières étoiles de l'univers, suggérant que certaines galaxies évoluent beaucoup plus rapidement que prévu, remettant en question les modèles existants de formation et d'évolution des galaxies.
Contrairement au JWST qui mène des recherches sur les spectres d’émission des galaxies, cette étude étudie les premières galaxies en observant les spectres d’absorption des quasars. L'application de réseaux neuronaux bien entraînés pour trouver des absorbeurs de carbone neutres fournit un nouvel outil pour les recherches futures sur l'évolution précoce de l'univers et des galaxies, complétant les méthodes de recherche du JWST.
"Il est nécessaire de développer des algorithmes d'IA innovants capables d'explorer rapidement, précisément et de manière exhaustive les signaux rares et faibles dans des données astronomiques massives", a déclaré le professeur Ge.
L'équipe vise à promouvoir la méthode introduite dans cette étude pour la reconnaissance d'images en extrayant plusieurs structures liées pour créer des images artificielles « multi-structures » pour un entraînement et une détection efficaces des signaux d'image faibles.
