Schwarze Löcher fehlen im frühen Universum und Computer sind hinter ihnen her

Soweit das Auge reicht, füllen Galaxien die Bilder des tiefen Universums. Welche Prozesse bestimmten ihre Formen, Farben und Sternpopulationen? Astronomen glauben, dass ursprüngliche Schwarze Löcher die Motoren für das Wachstum und die Transformation von Galaxien waren und die kosmische Landschaft erklären können, die wir jetzt sehen.

Zukünftige Himmelsdurchmusterungen mit Radioteleskopen werden Millionen von Galaxien im frühen Universum erfassen, aber nur automatische Werkzeuge, wie der Algorithmus, der von einem Team unter der Leitung des Instituts für Astrophysik und Weltraumwissenschaften (IA) entwickelt wurde, können diese Datenflut lesen und die Galaxien finden mit massiven Schwarzen Löchern im Kern.

In ein Artikel heute (6. Dezember) in der Zeitschrift veröffentlicht Astronomie und Astrophysikein internationales Team unter der Leitung von Rodrigo Carvajal vom Institut für Astrophysik und Weltraumwissenschaften (IA) und der Fakultät für Naturwissenschaften der Universität Lissabon (Ciências ULisboa), präsentiert eine maschinelle Lerntechnik, die überleuchtende Galaxien im frühen Universum erkennt.

Dabei handelt es sich um Galaxien, von denen man annimmt, dass sie in ihrem Kern von der Aktivität eines unersättlichen Schwarzen Lochs dominiert werden. Den Autoren zufolge soll dies der erste Algorithmus sein, der vorhersagt, wann diese Aktivität auch ein intensives Signal in den Radiofrequenzen ausstrahlt. Radioemissionen unterscheiden sich oft vom anderen Licht der Galaxie und manchmal ist es schwierig, sie zu verknüpfen. Diese Technik der künstlichen Intelligenz wird es Astronomen ermöglichen, bei der Suche nach sogenannten Radiogalaxien effektiver vorzugehen.

Der Algorithmus, der in Zusammenarbeit mit der Firma Closer entwickelt wurde, die im Bereich technologischer Lösungen für die Datenwissenschaft tätig ist, wurde mit Bildern von Galaxien trainiert, die in mehreren Wellenlängen des elektromagnetischen Spektrums aufgenommen wurden. Bei Tests mit anderen Bildern konnten viermal mehr Radiogalaxien vorhergesagt werden als mit herkömmlichen Methoden, die explizite Anweisungen verwenden.

Da maschinelles Lernen seine eigenen Algorithmen entwickelt, kann der Versuch, seinen Erfolg zu verstehen, dazu beitragen, die physikalischen Phänomene zu klären, die in diesen Galaxien 1,5 Milliarden Jahre nach dem Urknall stattfanden, also als das Universum ein Zehntel seines heutigen Alters hatte.

„Wir müssen mehr aktive Galaxien am Himmel finden, denn es gibt Vorhersagen, dass es in der frühen Geschichte des Universums noch viel mehr geben sollte. Mit den aktuellen Beobachtungen haben wir diese Zahl nicht“, sagt Carvajal. Laut diesem Forscher sind weitere Beobachtungen erforderlich, um zu überprüfen, ob das aktuelle Verständnis darüber, wie sich aktive Galaxien entwickeln, korrekt ist oder geändert werden muss.

„Es ist auch wichtig, die Modelle des maschinellen Lernens selbst zu analysieren und zu verstehen, was in ihnen passiert“, fügt Carvajal hinzu. „Welche Merkmale sind für die Entscheidung am relevantesten? Wir möchten zum Beispiel wissen, ob das wichtigste Merkmal für die Aussage des Moduls, dass es sich um eine aktive Galaxie handelt, das Licht ist, das die Galaxie im Infrarotbereich aussendet, möglicherweise ein Hinweis auf schnelles Licht Bildung neuer Sterne. Damit sind wir in der Lage, ein neues Gesetz zur Unterscheidung zwischen einer normalen Galaxie und einer aktiven Galaxie aufzustellen.

Das relative Gewicht der Galaxienmerkmale auf die vom Computer getroffene Entscheidung könnte auf den Ursprung ihrer intensiven Aktivität, insbesondere im Radioband, hinweisen. In einer in Vorbereitung befindlichen Studie untersucht Carvajal die Auswirkungen dieser offensichtlichen Abhängigkeit zwischen der Radioemission und der Sternentstehung.

Israel Matute von IA und Ciências ULisboa, der zweite Autor des Papiers, stellt klar: „Diese Modelle sind mathematische Werkzeuge, die uns helfen, in die richtige Richtung zu blicken, wenn die Komplexität der Daten zunimmt. Diese Arbeit könnte Einblicke in die Prozesse liefern, die.“ bremste die Entstehung neuer Sterne in der zweiten Hälfte der Geschichte des Universums.

Die Galaxien, die im Uruniversum zu fehlen scheinen, könnten sich in der großen Datenmenge befinden, die moderne Radioteleskope in den kommenden Jahren produzieren werden. Zukünftige Untersuchungen ausgedehnter Himmelsregionen werden Milliarden von Galaxien offenbaren. Ein Beispiel ist die Evolutionary Map of the Universe (EMU), die mit dem ASKAP-Radioteleskop in Australien die gesamte südliche Himmelshalbkugel kartieren wird.

Das von IA geleitete Team arbeitet bereits mit Daten aus einem Pilotprojekt dieser Umfrage. Sobald diese Werkzeuge perfektioniert sind, werden sie für die Verarbeitung der astronomischen Datenmengen, die das zukünftige Square Kilometre Array Observatory (SKAO) produzieren wird, von entscheidender Bedeutung sein. Portugal ist Mitglied des Konsortiums dieses Observatoriums, das sich bereits im Bau befindet.

„In einem neuen Zeitalter, in dem die Astronomie Zugang zu riesigen Datenmengen haben wird, wird die Entwicklung fortschrittlicher Techniken für deren Verarbeitung und Analyse immer wichtiger“, sagt José Afonso von IA and Ciências ULisboa und Mitautor dieses Papiers. „Bei IA entwickeln und implementieren wir diese Techniken, um den Ursprung von Galaxien und den supermassereichen Schwarzen Löchern, die die meisten von ihnen beherbergen, entschlüsseln zu können.“

Die Idee für die Zusammenarbeit zwischen dem Unternehmen Closer und IA wurde von einer der Co-Autoren, Helena Cruz, die einen Doktortitel besitzt, vorgebracht. in Physik und ist Datenwissenschaftler bei Closer. Ihr Engagement war entscheidend für die Analyse und Verarbeitung der Auswirkungen von Unsicherheiten und Inkonsistenzen zwischen verschiedenen Datenquellen – die von mehreren Teleskopen und Beobachtungsprogrammen stammen –, die zum Trainieren des Algorithmus für maschinelles Lernen verwendet wurden.

„Mir wurde bewusst, dass die Astronomie ein Bereich mit großen Möglichkeiten für die Erforschung und Entwicklung von Modellen des maschinellen Lernens ist, und es machte für mich Sinn, meine beruflichen Fähigkeiten in diesem Bereich anzuwenden“, sagt Cruz. „Ich teilte Closer mein Interesse mit und beide Parteien zeigten sofort ihre Bereitschaft zur Zusammenarbeit, was ich als Erweiterung meiner Arbeit im Unternehmen betrachte.“

„Closer lebt vom Wissen seiner Mitarbeiter, das ist sein Kapital“, fügt João Pires da Cruz, Mitbegründer, Professor und Forscher von Closer hinzu. „Je anspruchsvoller und aus wissenschaftlicher Sicht anspruchsvoller die Projekte sind, an denen sich unsere Teammitglieder beteiligen, desto größer wird das Kapital des Unternehmens sein. Wir werden Mitarbeiter haben, die in der Lage sind, die Probleme unserer Kunden zu lösen, die dem Problem ähneln.“ die Signale entfernter Galaxien.