Forskere utvikler AI som kan detektere og klassifisere galakser

Forskere ved UC Santa Cruz har utviklet Morpheus, et dataprogram som kan analysere pikslene i astronomiske bilde-data. Det kan deretter identifisere og klassifisere alle galaksene og stjernene som finnes i store datamengder som kommer fra astronomiske undersøkelser. 

Hva er Morpheus 

Morpheus er et dyptlæring-rammeverk som består av forskjellige kunstig intelligens-teknologier. Kunstig intelligens-teknologiene fokuserer på bestemte anvendelser som bilde- og talegjenkjenning.

Brant Robertson er professor i astronomi og astrofysikk. Han er ansvarlig for Computational Astrophysics Research Group ved UC Santa Cruz. Ifølge Robertson, må visse oppgaver som tradisjonelt ble gjort av astronomer automatiseres. Dette skyldes at størrelsen på astronomiske datamengder øker konstant. 

“Det finnes noen ting vi mennesker ikke kan gjøre, så vi må finne måter å bruke datamaskiner til å håndtere den enorme mengden data som vil komme inn de neste årene fra store astronomiske undersøkelser,” sa han.

Ryan Hausen er en masterstudent i datavitenskap ved UCSCs Baskin School of Engineering. Han samarbeidet med Anderson om Morpheus de siste to årene. 

Deres resultater ble publisert 12. mai i Astrophysical Journal Supplement Series. Morpheus-koden vil også bli utgitt til offentligheten og det vil være online-demonstrasjoner. 

Galakse-morfologier

Astronomer kan lære hvordan galaksene dannes og utvikler seg over tid ved å observere galakse-morfologier. 

Det finnes noen store undersøkelser som skal gjennomføres som vil generere enorme mengder bilde-data som kan brukes. En av disse undersøkelsene er Legacy Survey of Space and Time (LSST), og den vil bli gjennomført ved Vera Rubin Observatory i Chile. 

Robertson har vært aktiv i å finne måter å bruke dataene til å bedre forstå dannelse og utvikling av galaksene. 

Når LSST gjennomføres, vil den ta over 800 panoramabilder per natt med en 3,2 milliarder piksler kamera. To ganger hver uke vil LSST også registrere hele den synlige himmelen. 

“Forestall deg at du går til astronomer og ber dem klassifisere milliarder av objekter — hvordan kunne de noen gang gjøre det? Nå vil vi kunne automatisk klassifisere disse objektene og bruke den informasjonen til å lære om galakse-utvikling,” sa Robertson.

Dyptlæringsteknologi for galaksene

Dyptlæringsteknologi har blitt brukt av noen astronomer til å klassifisere galaksene, men det krever vanligvis at eksisterende bildegjenkjenning-algoritmer tilpasses. Algoritmene er tradisjonelt matet med kurerte bilder av galaksene.

Morpheus ble utviklet spesifikt for astronomiske bilde-data. Det bruker de originale bilde-dataene, som er i standard digitalt format brukt av astronomer. 

Ifølge Robertson, er et av hovedpoengene med Morpheus piksel-nivå klassifisering.

“Med andre modeller, må du vite at noe er der og mate modellen et bilde, og så klassifiserer den hele galaksen på en gang,” sa han. “Morpheus oppdager galaksene for deg, og gjør det piksel for piksel, så den kan håndtere svært kompliserte bilder, hvor du kanskje har en sfærisk rett ved siden av en skive. For en skive med en sentral bulge, klassifiserer den bulgen separat. Så det er svært kraftig.”

Forskerne brukte informasjon fra en studie i 2015 for å trene dyptlæring-algoritmen. Studien samlet inn data og klassifiserte rundt 10 000 galaksene i Hubble-teleskop-bilder fra CANDELS-undersøkelsen. Morpheus ble deretter brukt på bilde-data fra Hubble Legacy Fields.

Etter å ha prosessert et bilde av en del av himmelen, genererer Morpheus deretter en ny sett med bilder av samme område, og det fargekoder alle objekter basert på deres morfologi. Astronomiske objekter skilles fra bakgrunnen, og det identifiserer stjerner og forskjellige typer galaksene. Programmet kjører på USCSs lux-superdatamaskin, hvor en piksel-til-piksel-analyse for hele datamengden genereres raskt. 

“Morpheus gir detektering og morfologisk klassifisering av astronomiske objekter på et nivå av granularitet som ikke finnes i dag,” sa Hausen.

Arbeidet som ble gjort av forskerne, ble støttet av NASA og National Science Foundation.