Forskere utvikler AI i stand til å 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 (AI)-teknologier. AI-teknologiene fokuserer på bestemte applikasjoner 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 stadig øker.

“Det er noen ting vi enkeltvis ikke kan gjøre som mennesker, 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 undersøkelsesprosjekter,” sa han.

Ryan Hausen er en datavitenskaps-student ved UCSCs Baskin School of Engineering. Han samarbeidet med Anderson om Morpheus de siste to årene.

Resultatene ble publisert 12. mai i Astrophysical Journal Supplement Series. Morpheus-koden vil også bli gjort tilgjengelig for allmennheten, og det vil være online-demonstrasjoner.

Morfologier av galakser

Astronomer kan lære hvordan galakser dannes og utvikler seg over tid ved å observere morfologiene til galaksene.

Det er noen store undersøkelser som skal finne sted 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 galakser.

Når LSST gjennomføres, vil det 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 hvis du gikk til astronomer og ba dem klassifisere milliarder av objekter – hvordan kunne de muligens gjøre det? Nå vil vi være i stand til å automatisk klassifisere disse objektene og bruke den informasjonen til å lære om galakse-utvikling,” sa Robertson.

Dyptlæringsteknologi for galakser

Dyptlæringsteknologi har blitt brukt av noen astronomer til å klassifisere galakser, men det vanligvis krever eksisterende bildegjenkjenning-algoritmer å bli tilpasset. Algoritmene blir tradisjonelt matet med kurerte bilder av galakser.

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 den klassifiserer 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 galakser i Hubble Space Telescope-bilder fra CANDELS-undersøkelsen. Morpheus ble deretter brukt på bilde-data fra Hubble Legacy Fields.

Etter å ha prosessert et bilde av et område på himmelen, genererer Morpheus deretter en ny mengde bilder av samme området, og det farger-koder alle objekter basert på deres morfologi. Astronomiske objekter skilles fra bakgrunnen, og det identifiserer stjerner og forskjellige typer galakser. Programmet kjører på USCSs lux-supercomputer, hvor en piksel-for-piksel-analyse for hele datamengden raskt genereres.

“Morpheus gir deteksjon 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.