人工智能分析类型题光谱数据 帮助发现百余种罕见的宇宙中性碳吸收体

摘要:

科学家们利用深度学习分析了来自SDSS-III的类星体光谱数据,成功探测到107个罕见的中性碳吸收体,为早期星系演化提供了新的见解。他们的方法可能会改变天文学家利用人工智能研究宇宙的方式,对詹姆斯-韦伯太空望远镜等其他研究工具起到补充作用。

Astronomers-Detect-Rare-Neutral-Atomic-Carbon-Absorbers-With-Deep-Neural-Network-scaled.jpg

地面上的斯隆数字巡天望远镜捕捉到了大量来自早期宇宙的类星体光谱。经过训练的人工智能深度神经网络首次在这些类星体光谱数据中发现了由早期星系冷介质产生的创纪录的弱中性碳吸收线探测器。

最近,研究人员利用深度学习神经网络在斯隆数字巡天III(SDSS-III)计划发布的类星体光谱数据中搜索罕见的弱信号。通过引入一种探索星系形成和演化的新方法,研究小组展示了人工智能(AI)在识别天文大数据中罕见弱信号方面的潜力。这项研究最近发表在《英国皇家天文学会月刊》(Monthly Notices of the Royal Astronomical Society)上,由中国科学院上海天文台葛健教授领导的国际团队完成。

来自宇宙中带有尘埃的冷气体的"中性碳吸收线"是研究星系形成和演化的重要探测器。然而,中性碳吸收线的信号很弱,而且极其罕见。天文学家一直在努力使用传统的相关方法在大质量类星体光谱数据集中探测这些吸收线。

"这就像大海捞针。"葛健教授说。2015年,在SDSS早先发布的数万颗类星体光谱中发现了66个中性碳吸收体,这是获得的样本数量最多的一次。

在这项研究中,葛教授团队根据实际观测数据,设计并训练了大量模拟中性碳吸收线样本的深度神经网络。通过将这些训练有素的神经网络应用于SDSS-III数据,研究小组发现了107个极其罕见的中性碳吸收体,比2015年获得的样本数量翻了一番,并探测到了比以前更多的微弱信号。

通过堆叠众多中性碳吸收体的光谱,研究小组大大提高了探测各种元素丰度的能力,并直接测量了尘埃造成的气体中金属损失。研究结果表明,这些含有中性碳吸收器探测器的早期星系经历了快速的物理和化学演化,当时宇宙的年龄只有大约30亿年(目前宇宙的年龄为138亿年)。这些星系正在进入大麦哲伦云(LMC)和银河系(MW)之间的演化状态,产生了大量金属,其中一些金属结合成尘埃粒子,导致了观测到的尘埃变红效应。

这一发现独立地证实了詹姆斯-韦伯太空望远镜(JWST)最近的发现,该望远镜在宇宙中最早的恒星中探测到了类似钻石的碳尘,这表明一些星系的演化速度比以前预期的要快得多,对现有的星系形成和演化模型提出了挑战。

与通过星系发射光谱进行研究的 JWST 不同,这项研究通过观测类星体的吸收光谱来研究早期星系。应用训练有素的神经网络来寻找中性碳吸收体,为未来研究宇宙和星系的早期演化提供了新的工具,是对 JWST 研究方法的补充。

"有必要开发创新的人工智能算法,能够快速、准确、全面地探索海量天文数据中的罕见微弱信号。"葛教授说。团队的目标是将这项研究中引入的方法推广到图像识别中,通过提取多种相关结构来创建人工"多结构"图像,从而实现对微弱图像信号的高效训练和检测。

编译来源:ScitechDaily

查看评论
created by ceallan