Forskare utvecklar AI som kan upptäcka och klassificera galaxer

Forskare vid UC Santa Cruz har utvecklat Morpheus, ett datorprogram som kan analysera pixlarna i astronomiska bilddata. Den kan sedan identifiera och klassificera alla galaxer och stjärnor som finns i stora datamängder som kommer från astronomiundersökningar. 

Vad är Morpheus 

Morpheus är ett ramverk för djupinlärning som består av olika tekniker för artificiell intelligens (AI). AI-teknikerna fokuserar på vissa applikationer som bild- och taligenkänning.

Brant Robertson är professor i astronomi och astrofysik. Han är ansvarig för Computational Astrophysics Research Group vid UC Santa Cruz. Enligt Robertson måste vissa uppgifter som traditionellt utfördes av astronomer automatiseras. Detta beror på att storlekarna på astronomidatauppsättningar ständigt ökar. 

"Det finns vissa saker vi helt enkelt inte kan göra som människor, så vi måste hitta sätt att använda datorer för att hantera den enorma mängd data som kommer in under de närmaste åren från stora astronomiska undersökningsprojekt," sa han.

Ryan Hausen är en doktorand i datavetenskap vid UCSC:s Baskin School of Engineering. Han samarbetade på Morpheus med Anderson under de senaste två åren. 

Deras resultat publicerades den 12 maj i Astrophysical Journal Supplement Series. Morpheus-koden kommer också att släppas till allmänheten och det kommer att finnas onlinedemonstrationer. 

Morfologier av galaxer

Astronomer kan lära sig hur galaxer bildas och utvecklas genom tiden genom att observera galaxernas morfologi. 

Det finns några storskaliga undersökningar som kommer att äga rum som kommer att generera enorma mängder bilddata som kan användas. En av dessa undersökningar är Legacy Survey of Space and Time (LSST), och den kommer att genomföras vid Vera Rubin Observatory i Chile. 

Robertson har aktivt arbetat med sätt att använda data för att bättre förstå bildandet och utvecklingen av galaxer. 

När LSST genomförs kommer den att ta över 800 panoramabilder per natt med en kamera på 3.2 miljarder pixlar. Två gånger i veckan kommer LSST också att spela in hela den synliga himlen. 

"Föreställ dig om du gick till astronomer och bad dem klassificera miljarder objekt - hur skulle de kunna göra det? Nu kommer vi att automatiskt kunna klassificera dessa objekt och använda den informationen för att lära oss om galaxens evolution, säger Robertson.

Deep-Learning-teknik för galaxer

Teknik för djupinlärning har använts av vissa astronomer för att klassificera galaxer, men det kräver vanligtvis att befintliga bildigenkänningsalgoritmer anpassas. Algoritmerna är traditionellt matade kurerade bilder av galaxer.

Morpheus utvecklades specifikt för astronomiska bilddata. Den använder originalbilddata, som är i det digitala standardformatet som används av astronomer. 

Enligt Robertson är en av huvudpunkterna med Morpheus klassificering på pixelnivå.

"Med andra modeller måste du veta att något finns där och mata modellen med en bild, och det klassificerar hela galaxen på en gång," sa han. "Morpheus upptäcker galaxerna åt dig och gör det pixel för pixel, så den kan hantera mycket komplicerade bilder, där du kan ha en sfäroid bredvid en skiva. För en skiva med en central utbuktning, klassificerar den utbuktningen separat. Så det är väldigt kraftfullt.”

Forskarna använde information från en studie från 2015 för att träna algoritmen för djupinlärning. Studien samlade in data och klassificerade runt 10,000 XNUMX galaxer i Hubble Space Telescope-bilder från CANDELS-undersökningen. Morpheus applicerades sedan på bilddata från Hubble Legacy Fields.

Efter att ha bearbetat en bild av en del av himlen, genererar Morpheus sedan en ny uppsättning bilder av samma område, och den färgkodar alla objekt baserat på deras morfologi. Astronomiska objekt är separerade från bakgrunden, och det identifierar stjärnor och olika typer av galaxer. Programmet körs på USCS:s superdator lux, där en pixel-för-pixel-analys för hela datamängden snabbt genereras. 

"Morpheus tillhandahåller upptäckt och morfologisk klassificering av astronomiska objekt på en granularitetsnivå som för närvarande inte existerar," sa Hausen.

Det arbete som forskarna utförde stöddes av NASA och National Science Foundation.