Ein internationales Team unter der Leitung von Professor GE Jian vom Shanghai Astronomical Observatory der Chinesischen Akademie der Wissenschaften hat Deep Learning Neural Networks eingesetzt, um nach seltenen schwachen Signalen in Quasar-Spektraldaten des Sloan Digital Sky Survey III (SDSS-III) zu suchen.
„Neutrale Kohlenstoffabsorber“ aus kaltem Gas und Staub im Universum sind wichtige Sonden, um die Entstehung und Entwicklung von Galaxien zu untersuchen. Die Signale der neutralen Kohlenstoffabsorptionslinien sind jedoch schwach und extrem selten. Bislang konnten Astronomen diese Absorber mit herkömmlichen Korrelationsmethoden nur schwer in umfangreichen Spektraldatensätzen von Quasaren aufspüren.
Große Potenziale Künstlicher Intelligenz
„Das ist wie die Suche nach der Stecknadel im Heuhaufen, sehr aufwendig, zeitraubend und ineffizient“, erklärt GE Jian. Erst 2015 entdeckte ein Forscherteam 66 neutrale Kohlenstoffabsorber in den Spektren von Zehntausenden Quasaren, die zuvor von der SDSS veröffentlicht worden waren.
Das Team von Prof. GE Jian entwickelte und trainierte tiefe neuronale Netze mit einer großen Anzahl von simulierten Beispielen neutraler Kohlenstoff-Absorptionslinien, die auf realen Beobachtungen basieren. Bei der Anwendung dieser gut trainierten neuronalen Netze auf die SDSS-III-Daten entdeckte das Team schnell 107 extrem seltene neutrale Kohlenstoff-Absorptionslinien. Diese Zahl ist fast doppelt so hoch wie die größte bisher erhaltene Stichprobe, wodurch mehr schwache Signale als je zuvor entdeckt werden konnten.
Durch das Stapeln der Spektren zahlreicher neutraler Kohlenstoffabsorber konnte das Forscherteam die Häufigkeit der verschiedenen Elemente bestimmen und den Metallverlust durch Staub im Gas direkt messen. Die Ergebnisse deuten darauf hin, dass diese frühen Galaxien, die neutrale Kohlenstoffabsorber enthalten, eine rasche physikalische und chemische Entwicklung durchgemacht haben, als das Universum erst etwa 3 Milliarden Jahre alt war.
Studie zur frühen Entwicklung des Universums
Diese Galaxien befanden sich in einem Entwicklungsstadium zwischen der Großen Magellanschen Wolke (LMC) und der Milchstraße (MW) und produzierten eine beträchtliche Menge an Metallen, von denen sich einige zu Staubpartikeln verbanden, was zu dem beobachteten Effekt der Staubrötung führte.
Diese Entdeckung bestätigt unabhängig voneinander die jüngsten Ergebnisse des James Webb Space Telescope (JWST), das diamantähnlichen Kohlenstoffstaub in den frühesten Sternen des Universums entdeckte, was darauf hindeutet, dass sich einige Galaxien viel schneller entwickeln als bisher angenommen, was bestehende Modelle der Galaxienentstehung und -entwicklung in Frage stellt.
„Im Gegensatz zum JWST, das die Emissionsspektren von Galaxien untersucht, untersuchte diese Studie frühe Galaxien durch Beobachtung der Absorptionsspektren von Quasaren“, so GE Jian. Er betonte, dass die Anwendung gut trainierter neuronaler Netze zur Suche nach neutralen Kohlenstoffabsorbern ein neues Werkzeug für die künftige Erforschung der frühen Entwicklung des Universums und der Galaxien darstellt und die Forschungsmethoden des JWST ergänzt.
Mehr „Schätze“ in massiven astronomischen Daten
GE Jian erklärte: „Um mit Hilfe Künstlicher Intelligenz mehr ‚Schätze‘ in massiven astronomischen Daten zu entdecken, müssen neuartige Algorithmen der Künstlichen Intelligenz entwickelt werden, die schnell, genau und umfassend jene seltenen und schwachen Signale untersuchen können, die mit herkömmlichen Methoden nur schwer zu finden sind.“
Das Team möchte diese neuen Methoden, die in dieser Studie verwendet wurden, weiter vorantreiben und sie auf die Bilderkennung ausweiten, indem es mehrere verwandte Strukturen extrahiert, um künstliche „Multistruktur“-Bilder für ein effizientes Training und die Erkennung schwacher Bildsignale zu schaffen.
„Die Methoden des Deep Learning der Künstlichen Intelligenz haben einen enormen Anwendungswert und ein enormes Potenzial für die Bilderkennung in mehreren Bereichen und die Erkennung schwacher Signale“, so GE Jian. „Wir hoffen, dass wir in Zukunft noch mehr Schätze aus den riesigen astronomischen Daten aufdecken können.“
