Um mehr über die tiefsten Reichweite unserer eigenen Galaxie und die Geheimnisse der Sternbildung zu erfahren, haben japanische Forscher ein Deep -Lern -Modell geschaffen. Das von der Osaka Metropolitan University geführte Team der Universität nutzte künstliche Intelligenz, um die großen Mengen an Daten aus Weltraumteleskopen zu durchführen und blasenartige Strukturen zu finden, die nicht in vorhandene astronomische Datenbanken aufgenommen wurden.
Die Ergebnisse wurden in veröffentlicht in Veröffentlichungen der Astronomischen Gesellschaft Japans.
Die Milchstraße, in der wir leben, wie andere Galaxien im Universum, bildet blasenartige Strukturen, die hauptsächlich während der Geburt und Aktivität von Sternen mit hoher Masse gebildet wurden. Diese sogenannten Spitzerblasen haben wichtige Hinweise darauf, den Prozess der Sternbildung und der Galaxienentwicklung zu verstehen.
Shimpei Nishimoto und Professor Toshikazu Onishi haben mit Wissenschaftlern aus ganz Japan zusammengearbeitet, um das Deep -Learning -Modell zu entwickeln. Mit Daten aus dem Spitzer Space Telescope und James Webb Space Telescope verwendet das Modell die KI -Bilderkennung, um Spitzer -Blasen effizient und genau zu erkennen. Sie erkannten auch schalenartige Strukturen, von denen angenommen wird, dass sie durch Supernova-Explosionen gebildet wurden.
„Unsere Ergebnisse zeigen, dass es möglich ist, detaillierte Untersuchungen nicht nur über die Sternenbildung, sondern auch über die Auswirkungen explosiver Ereignisse in Galaxien durchzuführen“, erklärte der Student Nishimoto.
Professor Onishi fügte hinzu: „In Zukunft hoffen wir, dass Fortschritte in der AI -Technologie die Aufklärung der Mechanismen der Galaxienentwicklung und der Sternentstehung beschleunigen werden.“
Weitere Informationen:
Shimper Veröffentlichungen der Astronomischen Gesellschaft Japans (2025). Doi: 10.1093/pasj/psaf008