『アストロフィジカル・ジャーナル』に掲載された新しい研究によると、AI システムを訓練すれば、銀河がまだ活発に新しい星を生み出しているかどうかを天文学者が特定するのを支援できるという。
研究チームは、様々な進化段階にある銀河を特定するための畳み込みニューラルネットワークを構築しました。銀河は主にガス、塵、そして恒星からなる巨大な塊であり、数十億年という長い時間をかけてどのように進化してきたかを研究することは困難な場合があります。
科学者たちはこれまで、様々な銀河のスナップショットを撮ったり、シミュレーションを作成したりすることで、このプロセスをつなぎ合わせてきました。しかし、畳み込みニューラルネットワーク（CNN）は約80%の確率で正しい判断を下せるようです。
銀河における星形成の速度は、銀河の様々な段階と関連しています。若い銀河はまだ活動的で、明るく活発な恒星の育成場があるため、青く見えます。一方、古い銀河は物質を使い果たし、新しい星をほとんど生み出さず、温度が低いため、より赤く見えます。
銀河のシミュレーションでは、ガスは「ブルーナゲット」と呼ばれる中心の高密度な星形成領域に集められます。色を使って銀河を研究するという考え方は、3つの段階に分けられます。
銀河が初期段階にあり、星形成がピークに達していない状態は、プレブルーナゲットと呼ばれます。銀河が活発な星形成を行っている状態は理想的なブルーナゲット段階と考えられ、その後、星形成が鎮静化した状態がポストブルーナゲット段階となります。
クリックして拡大
画像クレジット：上2列：グレッグ・スナイダー（宇宙望遠鏡科学研究所）、マーク・ウエルタス＝カンパニー（パリ天文台）。下2列：HST画像は、宇宙探査機CANDELS（近赤外線深宇宙レガシーサーベイ）によるもの。
研究者たちは進化の異なる段階にある35個の銀河をシミュレートしましたが、訓練プロセスではそのうち28個のみを使用しました。訓練用は24個、検証用は2個、テスト用は2個です。訓練プロセスは5回繰り返され、各実行ごとに2つの異なる銀河がテスト対象として使用されました。
「シミュレーションには多くの限界があり、銀河形成の複雑な物理現象のすべてを捉えるにはまだまだ遠いことを我々は十分に認識していることを強調しておきます。この点において、本研究は概念実証研究として捉える必要があるのは主にこのためです」と研究者らは論文の中で認めている。
このモデルの精度は平均約80%に達します。研究者らは、ハッブル宇宙望遠鏡で撮影された赤外線画像であるCANDELSプロジェクト（Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey）から得られた実際のデータでもこのモデルを検証しました。
銀河の「ブルーナゲット性」の段階は、その星の質量によって異なることが分かりました。ブルーナゲット形成前の銀河は星の質量が小さく、ブルーナゲット形成後の銀河は星の質量が中程度、そしてブルーナゲット形成後の銀河は星の質量が重い傾向にあります。
「ある一定のサイズの範囲では、銀河はこのような物理的プロセスが起こるのにちょうどよい質量を持っているのかもしれない」と、論文の共著者でカリフォルニア大学サンタクルーズ校の天文学・天体物理学教授のデビッド・クー氏は述べた。
「ディープラーニングはパターンを探しますが、機械は人間には見えないほど複雑なパターンも見分けることができます。このアプローチについては今後も多くのテストを行いたいと考えていますが、今回の概念実証研究では、機械はシミュレーションで特定された銀河の進化の様々な段階をデータからうまく見つけることができたようです」と彼は述べた。
研究者たちは、ディープラーニングが将来、天文学者が大規模シノプティックサーベイやジェイムズ・ウェッブ宇宙望遠鏡から得られる膨大なデータセットを分析するのに役立つことを期待しています。®
