S. Dagnello (NRAO/AUI/NSF)
Impresión artística de un agujero negro. Los chorros de material expulsados en dirección perpendicular al disco producen una intensa radiación en radiofrecuencias.
¿Qué procesos determinaron las formas, colores y poblaciones de las galaxias? Los autores de un nuevo estudio consiguen predecir la detección de radiogalaxias a partir del análisis automático de imágenes astronómicas mediante técnicas de inteligencia artificial.
Las futuras observaciones del cielo con telescopios de radiofrecuencia capturarán millones de galaxias de los primeros días del Universo, pero solo herramientas automáticas, Al igual que el algoritmo creado por un equipo liderado por el Instituto de Astrofísica y Ciencias Espaciales (AI), podrán leer esta avalancha de datos y encontrar galaxias con agujeros negros masivos en sus centros.
Las galaxias hasta donde alcanza la vista llenan imágenes del Universo profundo. ¿Qué procesos determinaron sus formas, colores y poblaciones de estrellas?
Los astrónomos creen que los agujeros negros primordiales fueron los motores de crecimiento y transformación de galaxiasy que puede explicar el paisaje cósmico que vemos hoy.
en un artículo publicado este miércoles en la revista científica Astronomía y astrofísica.un equipo internacional liderado por Rodrigo Carvajaldel Instituto de Astrofísica y Ciencias Espaciales (IA) y de la Facultad de Ciencias de la Universidad de Lisboa, y que incluye diez investigadores de IA, presenta un método de aprendizaje automático que reconoce galaxias superluminosas del Universo primitivo.
Se cree que estas galaxias están dominadas por la actividad de un agujero negro central que todo lo consume. Según los autores del estudio, este será el primer algoritmo que prediga cuándo emite esta actividad También una señal intensa en frecuencias de radio..
Las transmisiones de radio son, en general, distinta del resto de la luz de la galaxia, y a veces resulta difícil asociarlos. Esta técnica de inteligencia artificial permitirá a los astrónomos ser más eficientes en la búsqueda de las llamadas radiogalaxias.
El algoritmo, desarrollado con la colaboración de Más cercauna empresa que opera en el sector de soluciones tecnológicas en ciencia de datos, se formó con imágenes de galaxias en diferentes longitudes de onda de luz.
Cuando se prueba con otras imágenes, demostró ser capaz de predecir cuatro veces más radiogalaxias que los métodos convencionales con instrucciones explícitas.
Conjunto de radiogalaxias -galaxias con importante emisión en radiofrecuencias- observadas con el radiotelescopio LOFAR, superpuestas a la misma región del cielo observada en luz visible. La magnitud de la emisión de radio, distinta de la parte visible de la galaxia, es evidente. Estas galaxias forman parte del conjunto de galaxias utilizadas para entrenar el algoritmo de aprendizaje automático creado por el equipo de estudio.
Cómo funciona el aprendizaje automático Desarrolla tus propios algoritmos.Intentar comprender su éxito puede ayudar a esclarecer los fenómenos físicos que estaban ocurriendo en estas galaxias, 1.500 millones de años después del Big Bang, es decir, cuando el Universo tenía una décima parte de la edad actual.
“Necesitamos encontrar galaxias más activas en el cielo porque algunas predicciones sugieren que Debieron haber muchos más al comienzo de la historia del Universo.. Con las observaciones actuales no tenemos esa cifra”, afirma Rodrigo Carvajal.
Según este investigador, se necesitan más observaciones para verificar si la comprensión actual sobre la evolución de las galaxias activas es correcta o debe modificarse.
“También es importante analizar los propios modelos de aprendizaje automático y comprender ¿Qué está pasando dentro de ellos?», añade Carvajal. «¿Qué propiedades son más relevantes para la decisión?»
“Por ejemplo, queremos saber si la propiedad más importante Si el modelo decía que es una galaxia activa, esta es la luz que la galaxia emite en el infrarrojo, lo que posiblemente indica una rápida formación de nuevas estrellas. Con esto lo logramos crear una nueva ley para distinguir entre lo que es una galaxia normal y una galaxia activa.
Oh peso relativo de las características de las galaxias en la decisión tomada por el ordenador puede indicar cuál es el origen de su intensa actividad, particularmente en la banda de radio.
En un estudio en preparación, Carvajal explora las implicaciones de esta aparente dependencia entre la emisión de radio y la formación estelar.
Israel Matutecoautor del artículo e investigador de IA y FCUL, explica: “Estos modelos son herramientas matemáticas que nos ayudan a mirar en la dirección correcta a medida que aumenta la complejidad de los datos. Este trabajo puede proporcionar evidencia de Procesos que ralentizaron la formación de nuevas estrellas. en la segunda mitad de la historia del Universo.
Quizas el galaxias activas aparentemente raras en el Universo temprano se encuentran en los millones de puntos de datos que los radiotelescopios modernos producirán en los próximos años.
Estudios futuros de grandes regiones del cielo revelarán miles de millones de galaxias. Un ejemplo es el Mapa Evolutivo del Universo (EMU), que mapeará todo el hemisferio celeste sur con el radiotelescopio ASKAP en Australia.
El equipo liderado por IA ya está trabajando con datos de un proyecto piloto de esta evaluación. Una vez perfeccionadas, estas herramientas serán cruciales para procesar cantidades astronómicas de datos que producirá el futuro observatorio Square Kilometer Array (SKAO). Portugal es miembro del consorcio de este observatorio que ya está en construcción.
“Dado que la astronomía tiene acceso a grandes cantidades de datos, es cada vez más importante desarrollar técnicas avanzadas para su procesamiento y análisis”, afirma. José Alfonsotambién coautor del artículo e investigador del IA y FCUL.
“En IA desarrollamos e implementamos estas técnicas, para lograr descifrar el origen de las galaxias y los agujeros negros supermasivos tantos invitados.
ASTRON LOFAR
LOFAR es una infraestructura europea con estaciones de antena de radiofrecuencia en varios países y conectadas en red. Es el radiotelescopio más grande que opera en las frecuencias más bajas (o longitudes de onda más largas) que pueden detectarse desde la superficie de la Tierra. Sus datos formaron parte del conjunto de datos de entrenamiento del algoritmo de aprendizaje automático implementado por este equipo de investigación.
La idea de la colaboración de Closer con IA surgió de Helena Cruzcoautor del artículo, doctor en física y científico de datos de esta empresa.
Su participación fue esencial para analizar y abordar los impactos de las incertidumbres e inconsistencias entre los diferentes datos (de varios telescopios y planes de observación) utilizados en el entrenamiento del algoritmo de aprendizaje automático.
«Me di cuenta que la astronomía es un campo con grandes oportunidades para la exploración y desarrollo de modelos de aprendizaje automático, y tenía sentido para mí aplicar mis conocimientos profesionales a esta área”, dice Helena Cruz.
“Compartí este interés con Closer y ambas partes inmediatamente mostraron voluntad en esta colaboraciónlo cual veo como una continuación de mi trabajo dentro de la empresa.
“Closer vive del conocimiento de sus empleados, ese es su capital”, añade. João Pires da Cruzcofundador de Closer, profesor e investigador.
“Cuanto más ambiciosos y científicamente sofisticados sean los proyectos en los que participen nuestros colaboradores, mayor será el capital de la empresa. Tendremos empleados que puedan resolver problemas para nuestros clientes similares al problema de las señales de galaxias distantes.
«Explorador apasionado. Aficionado al alcohol. Fanático de Twitter. Webaholic galardonado. Aficionado a la comida. Geek de la cultura pop. Organizador».
