Classificare Galassie Distanziate con il Machine Learning

La forma e la struttura delle galassie possono dirci tanto sulla loro storia e su come si sono formate nel tempo. Diverse forme spesso corrispondono a certe caratteristiche, come il numero di stelle che hanno e quanto velocemente stanno formando nuove stelle. Nel nostro universo vicino, possiamo classificare la maggior parte delle galassie usando un sistema creato dall’astronomo Edwin Hubble, che mette le galassie in diversi gruppi in base alle loro forme. Tuttavia, quando guardiamo galassie molto lontane, o Galassie ad alto redshift, scopriamo che molte di esse non si adattano facilmente a questa classificazione. Le loro forme sono spesso irregolari e difficili da categorizzare.

Le galassie ad alto redshift sono galassie che vediamo com'erano nell'universo primordiale. Ci forniscono informazioni importanti su come si sono formate le galassie. Man mano che guardiamo più indietro nel tempo, vediamo galassie che appaiono più grumose e dalla forma strana. Questo è collegato a tassi più alti di formazione stellare e a più eventi di fusione avvenuti miliardi di anni fa. Stiamo ancora imparando come queste prime galassie si siano evolute nelle galassie più strutturate che vediamo oggi. Una domanda chiave in questa ricerca è: come possiamo classificare queste galassie lontane in tipi significativi?

Un modo tradizionale per classificare le galassie è stato attraverso progetti di citizen science, dove i volontari guardano le immagini delle galassie e le classificano in base a caratteristiche visibili. Anche se questo metodo è stato utile, non è pratico per i futuri sondaggi che raccoglieranno immagini di miliardi di galassie. Un approccio alternativo a cui molti ricercatori si stanno rivolgendo è l'apprendimento automatico.

L'apprendimento automatico è un tipo di tecnologia informatica che consente ai computer di apprendere dai dati senza l'intervento umano. È stato utilizzato con successo in vari ambiti dell'astronomia, soprattutto nell'identificazione delle caratteristiche e delle classificazioni delle galassie. Un metodo comune è l'apprendimento automatico supervisionato, dove gli algoritmi apprendono da dati etichettati. Tuttavia, questo richiede una conoscenza preliminare e può introdurre parzialità a causa del giudizio umano.

Per evitare questi problemi, i ricercatori possono utilizzare l'Apprendimento automatico non supervisionato (UML). UML non richiede dati etichettati. Invece, identifica i modelli nei dati autonomamente, rendendolo un'opzione più imparziale per la classificazione. Questa tecnologia è particolarmente utile per analizzare set di dati complessi, come le immagini delle galassie.

In questa ricerca, utilizziamo un tipo di rete UML noto come Autoencoder Variazionale (VAE). La funzione principale di un VAE è semplificare i dati riducendo il numero di caratteristiche mantenendo informazioni importanti. Un VAE è composto da due parti: un encoder e un decoder. L'encoder elabora le immagini delle galassie e le comprime in una forma più semplice. Il decoder poi ricostruisce l'immagine originale da questa forma più semplice. L'obiettivo è catturare le caratteristiche chiave delle immagini minimizzando qualsiasi perdita di dettagli importanti.

Durante il processo, il VAE può aiutare a raggruppare le galassie in categorie basate sulle loro forme. Per assicurare che la classificazione sia efficace, dobbiamo rimuovere eventuali pregiudizi che potrebbero influenzare il risultato. Ad esempio, la posizione o l’orientamento delle galassie può influenzare il modo in cui appaiono nelle immagini, quindi dobbiamo tener conto di questi fattori.

Per raggiungere questo obiettivo, miglioriamo le nostre immagini per aumentare la qualità dell'informazione. Ci concentriamo su un set di dati specifico di galassie catturate dal Telescopio Spaziale Hubble. Questo set di dati comprende migliaia di immagini di galassie. Il primo passo nel nostro processo di miglioramento è pulire le immagini rimuovendo eventuali oggetti di sfondo che non appartengono alle galassie. Successivamente, affrontiamo l'orientamento delle galassie. Ruotiamo le immagini a un angolo standard per eliminare il pregiudizio di orientamento. Infine, assicuriamo che tutte le immagini siano di dimensioni simili per mantenere il focus sulle caratteristiche reali delle galassie anziché sulla loro dimensione apparente.

Una volta preparate le nostre immagini con questi aggiustamenti, possiamo addestrare il nostro modello di apprendimento automatico. Il nostro obiettivo è utilizzare il modello per identificare le caratteristiche chiave delle galassie. Gestendo i pregiudizi in anticipo, consentiamo al modello di concentrarsi sulle forme e sulle strutture piuttosto che su altre caratteristiche non correlate alle galassie stesse.

Con le immagini aumentate, addestriamo il VAE a codificare le immagini in un set più piccolo di caratteristiche. I primi risultati indicano che il modello può catturare dettagli importanti come la forma generale e la compattezza delle galassie minimizzando qualsiasi rumore nelle immagini. Questo significa che il modello è efficace nell'identificare informazioni utili.

Successivamente, prendiamo i dati codificati e applichiamo diversi algoritmi per classificare le galassie in gruppi. Un approccio utilizza un metodo basato su Gaussiani, mentre un altro utilizza un metodo gerarchico basato sulla densità. Quest'ultimo metodo si dimostra più efficace nel distinguere i diversi gruppi di galassie. Scopriamo che il nostro metodo identifica quattro gruppi principali basati su diverse proprietà chiave, inclusi forma e luminosità.

Questi risultati iniziali sono promettenti. Concentrandoci su queste caratteristiche chiave, possiamo categorizzare le galassie in un modo che rifletta le loro caratteristiche intrinseche piuttosto che i pregiudizi esterni. Il passo successivo consiste nell'aumentare il numero di caratteristiche che il modello può analizzare mantenendo il focus su interpretazioni significative.

Man mano che procediamo con la nostra ricerca, vogliamo collegare questi risultati alla distanza e all'età delle galassie. Facendo ciò, possiamo scoprire di più su come diversi gruppi di galassie sono cambiati nel tempo e come si inseriscono nel quadro più ampio dell'evoluzione delle galassie.

Guardando le forme e i tipi di galassie dell'universo primordiale, possiamo ottenere informazioni sui processi che le hanno plasmate. Questa comprensione può aiutarci a ricomporre la storia del nostro universo e come le galassie si siano trasformate nel corso di miliardi di anni.

I nostri progressi nell'apprendimento automatico sono destinati a svolgere un ruolo significativo nell'astronomia, aiutando gli scienziati a elaborare enormi quantità di dati in modo più efficiente e accurato. Con lo sviluppo continuo della tecnologia, possiamo aspettarci nuove scoperte che approfondiscano la nostra conoscenza del cosmo.

In conclusione, questo studio mette in evidenza il potenziale dell'apprendimento automatico nella classificazione delle galassie, specialmente quelle lontane. Sfruttando algoritmi avanzati e facendo passi per evitare pregiudizi, possiamo fare progressi significativi nella comprensione delle complesse forme delle galassie e della loro evoluzione nel tempo. La ricerca sulle galassie ad alto redshift è appena iniziata, e c'è ancora molto da scoprire sull'universo e la sua vasta gamma di oggetti celesti.