Астрономы применяют методы машинного обучения, чтобы найти квазары ранней Вселенной в океане данных

Глубокое изображение из Обзора темной энергии, показывающее поле, охватываемое одним из отдельных детекторов камеры темной энергии. Автор: DES Collaboration/NOIRLab/NSF/AURA/M. Zamani

Квазары — это чрезвычайно яркие ядра галактик, где газ и пыль, падающие в центральную сверхмассивную черную дыру, излучают огромное количество света. Благодаря своей исключительной яркости эти объекты можно увидеть на больших красных смещениях, т. е. на больших расстояниях.

Кандидаты в квазары с большим красным смещением первоначально идентифицируются по их цвету — они очень красные — и затем должны быть подтверждены как таковые, рассматривая отдельные наблюдения их спектров. Однако некоторые кандидаты с высоким красным смещением могут быть ошибочно исключены из дальнейшего исследования из-за искажений их внешнего вида, вызванных гравитационным линзированием.

Это явление возникает, когда между нами и далеким объектом находится массивный объект, например галактика. Масса галактики искривляет пространство, действуя как увеличительное стекло, вызывая искривление пути, по которому проходит свет удаленного объекта, что приводит к искажению изображения объекта.

Хотя такое выравнивание может быть полезным — гравитационная линза увеличивает изображение квазара, делая его ярче и легче обнаруживаемым, — оно также может обманчиво изменить внешний вид квазара.

Мешающий свет звезд в промежуточной линзирующей галактике может сделать квазар более синим, а искривление пространства-времени может сделать его размытым или умноженным. Оба этих эффекта делают его вероятным исключенным из числа кандидатов в квазары.

Поэтому группа астрономов под руководством Ксандера Бирна, астронома из Кембриджского университета и ведущего автора статьи, представляющей эти результаты в «Ежемесячных уведомлениях Королевского астрономического общества», приступила к восстановлению линзированных квазаров, которые были упущены из виду в предыдущих исследованиях.

Бирн отправился на поиски этих пропавших сокровищ в обширном архиве данных Обследования темной энергии (DES). DES проводился с помощью камеры темной энергии, изготовленной Департаментом энергетики и установленной на 4-метровом телескопе Виктора М. Бланко в Межамериканской обсерватории Серро Тололо Национального научного фонда США, в рамках программы NSF NOIRLab.

Задача заключалась в том, чтобы найти способ обнаружить эти космические драгоценности в огромном океане данных.

Полный набор данных DES включает более 700 миллионов объектов. Бирн сократил этот архив, сравнив данные с изображениями других исследований, чтобы отфильтровать маловероятных кандидатов, включая объекты, которые, вероятно, были коричневыми карликами, которые, несмотря на то, что они полностью отличаются от квазаров почти во всех отношениях, могут выглядеть удивительно похожими на квазары на изображениях. Этот процесс позволил получить гораздо более управляемый набор данных, содержащий 7438 объектов.

Бирну нужно было максимизировать эффективность при поиске этих 7438 объектов, но он знал, что традиционные методы, скорее всего, пропустят линзированные квазары с высоким красным смещением, которые он искал. «Чтобы избежать преждевременного выброса линзованных квазаров, мы применили контрастный алгоритм обучения, и он сработал как нельзя лучше».

Контрастное обучение — это тип алгоритма искусственного интеллекта (ИИ), в котором последовательные решения помещают каждую точку данных в группу в зависимости от того, чем она является, а что нет. «Это может показаться волшебством», — сказал Бирн, — «но алгоритм не использует больше информации, чем та, которая уже есть в данных. Суть машинного обучения заключается в поиске того, какие биты данных полезны».

Решение Бирна не полагаться на визуальную интерпретацию человека привело его к рассмотрению неконтролируемого процесса искусственного интеллекта, то есть сам алгоритм управляет процессом обучения, а не человек.

Алгоритмы контролируемого машинного обучения основаны на так называемой истине базового уровня, определяемой программистом-человеком. Например, процесс может начаться с описания кошки и пройти через такие решения, как «Это/не изображение кошки. Это/не изображение черной кошки».

Напротив, неконтролируемые алгоритмы не полагаются на это первоначальное, заданное человеком определение в качестве основы для своих решений. Вместо этого алгоритм сортирует каждую точку данных по сходству с другими точками данных в наборе. Здесь алгоритм найдет сходство между изображениями нескольких животных и сгруппирует их как кошку, собаку, жирафа, пингвина и т. д.

Начиная с 7438 объектов Бирна, неконтролируемый алгоритм сортировал объекты по группам. Приняв географическую аналогию, команда назвала группы данных архипелагом. (Этот термин не подразумевает какой-либо близости в пространстве между объектами. Именно их характеристики группируют их «близко» друг к другу, а не их положение на небе.)

Внутри этого архипелага небольшое «островное» подмножество объектов было сгруппировано как возможные кандидаты в квазары. Среди этих кандидатов четверо выделялись, как драгоценные камни в куче камешков.

Используя архивные данные телескопа Gemini South, половины Международной обсерватории Gemini, которой управляет NSF NOIRLab, Бирн подтвердил, что 3 из 4 кандидатов на «остров квазаров» действительно являются квазарами с большим красным смещением. И одним из них, весьма вероятно, станет космическая награда, которую надеялся найти Бирн — квазар с высоким красным смещением, обладающий гравитационной линзой. В настоящее время команда планирует последующие снимки, чтобы подтвердить линзовую природу квазара.

«В случае подтверждения открытие одного линзованного квазара в выборке из четырех целей будет удивительно высоким показателем успеха! И если бы этот поиск проводился с использованием стандартных методов поиска, вполне вероятно, что этот драгоценный камень остался бы скрытым».

Работа Бирна служит ярким примером того, как ИИ может помочь астрономам при поиске все больших сокровищниц данных. Массивный приток астрономических данных ожидается в ближайшие годы благодаря продолжающемуся пятилетнему исследованию Спектроскопического инструмента темной энергии, а также предстоящему исследованию «Наследие» и «Пространство и время», которое будет проводиться обсерваторией Веры К. Рубин, начиная с 2025 года.

Больше информации: Xander Byrne et al, Quasar Island – three new z ∼ 6 quasars, including a lensed candidate, identified with contrastive learning, Monthly Notices of the Royal Astronomical Society (2024). DOI: 10.1093/mnras/stae902