科研團隊利用人工智能在天文大數(shù)據(jù)應用方面獲得進展

中科院上海天文臺研究員葛健帶領的國際團隊，運用人工智能的深度學習方法，對國際斯隆巡天三期釋放的類星體光譜數(shù)據(jù)進行了微弱信號搜尋和數(shù)據(jù)分析，發(fā)現(xiàn)了稀少的107例宇宙早期星系內的冷氣體云塊成分的關鍵探針中性碳吸收體。分析發(fā)現(xiàn)，在宇宙約30億年的演化早期，這些攜帶中性碳吸收體探針的早期星系已經過快速物理和化學演化，并進入介于大麥哲倫矮星系和銀河系之間的物理和化學演化狀態(tài)。該研究為探索星系如何形成和演化提供了新的研究方式，展現(xiàn)了人工智能在天文海量數(shù)據(jù)中探尋微弱信號的應用前景。

研究冷氣體和塵埃對剖析星系形成和演化至關重要，為天文學家探討星系從“最初組裝”到恒星形成時期的劇烈變化，再到演化后期的整個星系生命周期提供了關鍵手段。中性碳吸收線可作為有效探針來跟蹤氣體和塵埃成分。而這些中性碳吸收線的信號微弱且稀少，需要在海量的類星體光譜數(shù)據(jù)中才能找到。使用傳統(tǒng)的搜尋方法耗費時間，同時搜尋到的假信號較多，易遺漏一些微弱信號。

該團隊采用人工智能的深度學習方法，設計神經網絡，生成基于實際觀測的中性碳吸收線特征的大量仿真樣本去訓練深度學習神經網絡，并使用這些被“訓練好”的深度學習神經網絡在斯隆巡天三期釋放的數(shù)據(jù)中搜尋中性碳吸收體。該團隊通過上述方式發(fā)現(xiàn)了稀少的107例宇宙早期星系內的冷氣體云塊成分的關鍵探針——中性碳吸收體。該研究獲得的樣本數(shù)是此前獲得的最大樣本數(shù)的近兩倍之多，并探測到更多比以前更微弱的信號。

該研究發(fā)現(xiàn)較多冷氣體的中性碳吸收體，并將這些光譜疊加到一起，直接測量塵埃吸附導致的部分金屬豐度缺失。結果表明，在宇宙只有約30億年的年齡時，這些攜帶中性碳吸收體探針的早期星系已經過快速物理和化學演化，進入介于大麥哲倫矮星系和銀河系之間的物理和化學演化狀態(tài)。此時，大量金屬產生，同時部分金屬被吸附到塵埃上，產生可觀測到的塵埃紅化結果。這驗證了近期詹姆斯·韋伯太空望遠鏡在宇宙最早的恒星中探測到類似鉆石的碳塵埃的新發(fā)現(xiàn)，預示著部分星系的演化比預期要快得多，挑戰(zhàn)了現(xiàn)有的星系形成和演化模型。區(qū)別于詹姆斯·韋伯太空望遠鏡通過星系發(fā)射光譜來開展研究工作，該工作通過觀測類星體的吸收光譜來研究早期星系，這將為未來宇宙和星系早期演化研究提供全新的研究手段。

葛健表示：“要想使用人工智能在海量的天文數(shù)據(jù)中‘挖’到新發(fā)現(xiàn)，就需要發(fā)展創(chuàng)新的人工智能算法，使之能夠快速地、準確地、完備地探尋到這些很難在傳統(tǒng)方式下找到的稀少而微弱的信號。”

圖片:W020240515330491562173.png

藝術想象圖

5月15日，相關研究成果發(fā)表在《皇家天文學會月報》（MNRAS）上。

論文鏈接：https://academic.oup.com/mnras/article/531/1/387/7671017