Metode pembelajaran mesin yang disebut "pembelajaran mendalam," yang telah banyak digunakan dalam pengenalan wajah dan aplikasi pengenalan gambar dan ucapan lainnya, telah menjanjikan bisa membantu para astronom menganalisis gambar galaksi dan memahami bagaimana mereka terbentuk dan berevolusi.
Dalam sebuah studi baru, yang akan dipublikasikan di Astrophysical Journal dan tersedia online, para peneliti menggunakan simulasi komputer formasi galaksi untuk melatih algoritma pembelajaran mendalam, yang kemudian terbukti sangat bagus dalam menganalisis gambar galaksi dari Teleskop Luar Angkasa Hubble.
Para peneliti menggunakan output dari simulasi untuk membuat gambar tiruan simulasi galaksi seperti saat melakukan observasi melalui Teleskop Luar Angkasa Hubble. Gambar tiruan digunakan untuk melatih sistem pembelajaran mendalam untuk mengenali tiga fase kunci evolusi galaksi yang sudah diidentifikasikan sebelumnya dalam simulasi. Kemudian, para peneliti memasukkan sejumlah besar gambar Hubble yang sebenarnya ke dalam sistem ini untuk diklasifikasikan.
Hasilnya menunjukkan tingkat konsistensi yang luar biasa dalam mengklasifikasi jaringan syaraf simulasi dan galaksi nyata.
"Kami tidak mengharapkan itu bisa sukses semua. Saya kagum pada betapa kuatnya (sistem) ini," kata peneliti Joel Primack, profesor emeritus fisika dan anggota Santa Cruz Institute for Particle Physics (SCIPP) di UC Santa Cruz . "Kami tahu simulasi itu memiliki keterbatasan, jadi kami tidak ingin membuat klaim yang terlalu kuat. Tapi kami tidak berpikir ini cuma keberuntungan."
Galaksi adalah fenomena yang kompleks, bisa mengubah gambarannya ketika mereka berevolusi selama miliaran tahun, dan gambar galaksi dapat saja hanya memberikan snapshot pada waktu tertentu. Para astronom dapat melihat lebih jauh ke alam semesta dan dengan demikian dapat "kembali ke masa lalu" untuk melihat galaksi-galaksi sebelumnya (dikarenakan waktu yang diperlukan cahaya untuk menempuh jarak kosmik), tetapi mengikuti evolusi galaksi secara individu dari waktu ke waktu hanya dimungkinkan dalam simulasi. Membandingkan dengan simulasi galaksi untuk mengamati galaksi dapat mengungkapkan detil penting galaksi sebenarnya dan kemungkinan sejarahnya.
Dalam studi baru ini, para peneliti sangat tertarik pada fenomena yang terlihat pada simulasi awal evolusi galaksi yang kaya gas, ketika aliran besar gas masuk ke pusat formasi bahan bakar galaksi dari sebuah daerah pembentuk bintang yang padat dan kecil, disebut "nugget biru." (Bintang muda, panas yang memancarkan panjang gelombang cahaya "biru" pendek, jadi warna biru menunjukkan galaksi dengan formasi bintang aktif, sedangkan yang lebih tua, bintang yang lebih dingin memancarkan lebih banyak cahaya "merah".)
Dalam data simulasi dan observasi, program komputer menemukan bahwa fase "nugget biru" hanya terjadi di galaksi dengan massa dalam rentang tertentu. Ini diikuti dengan pendinginan formasi bintang di wilayah pusat, yang mengarah ke fase "nugget merah" yang padat. Konsistensi dari kisaran massa merupakan temuan yang menarik, karena ini menunjukkan algoritma pembelajaran mendalam mampu mengidentifikasi polanya sendiri yang dihasilkan dari proses fisik kunci yang terjadi di ruang galaksi sebenarnya.
"Mungkin dalam kisaran ukuran tertentu, galaksi memiliki massa yang tepat agar proses fisik ini terjadi," kata peneliti David Koo, profesor emeritus astronomi dan astrofisika di UC Santa Cruz.
Para peneliti menggunakan simulasi galaksi state-of-the-art (simulasi VELA) yang dikembangkan Primack dan tim kolaborator internasional, termasuk Daniel Ceverino (University of Heidelberg), yang menjalankan simulasi, dan Avishai Dekel (Hebrew University), yang memimpin analisis dan interpretasi dan mengembangkan konsep fisik baru berdasarkan perangkat ini. Meski demikian, semua simulasi itu terbatas dalam kemampuan mereka untuk menangkap fisika kompleks pembentukan galaksi.
Secara khusus, simulasi yang digunakan dalam penelitian ini tidak termasuk umpan balik dari inti galaksi aktif (injeksi energi dari radiasi sebagai gas yang diakibatkan lubang hitam supermasif sentral). Banyak astronom menganggap proses ini sebagai faktor penting yang mengatur pembentukan bintang di galaksi. Namun demikian, pengamatan terhadap galaksi-galaksi muda dan jauh menunjukkan bukti fenomena yang mengarah ke fase nugget biru yang terlihat dalam simulasi.
Untuk data observasi, tim menggunakan gambar galaksi yang diperoleh melalui proyek CANDELS (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey), proyek terbesar dalam sejarah Teleskop Luar Angkasa Hubble. Peneliti pertama Marc Huertas-Company, seorang astronom di Observatorium Paris dan Universitas Paris Diderot, telah melakukan pekerjaan pionir dengan menerapkan metode pembelajaran mendalam pada klasifikasi galaksi menggunakan data CANDELS yang tersedia untuk publik.
Koo, seorang rekan penyelidik CANDELS, mengundang Huertas-Company untuk mengunjungi UC Santa Cruz untuk melanjutkan pekerjaan ini. Google telah memberikan dukungan pada pekerjaan mereka dalam pembelajaran mendalam dalam astronomi melalui hadiah dana penelitian kepada Koo dan Primack, memungkinkan Huertas-Company menghabiskan dua musim panas di Santa Cruz, dengan rencana satu kunjungan lagi di musim panas 2018.
"Proyek ini hanyalah salah satu dari beberapa gagasan yang kami miliki," kata Koo. "Kami ingin memilih proses yang dapat didefinisikan oleh para ahli teori dengan jelas berdasarkan pada simulasi, dan hal itu ada hubungannya dengan bagaimana kita melihat galaksi, kemudian membawa algoritma pembelajaran mendalam mencarinya dalam observasi. Kami baru saja mulai mengeksplorasi cara baru dalam melakukan penelitian. Ini adalah cara baru yang menggabungkan teori dan pengamatan."
Selama bertahun-tahun, Primack telah bekerja sama dengan Koo dan astronom lain di UC Santa Cruz untuk membandingkan simulasi timnya tentang pembentukan galaksi dan evolusi dengan pengamatan CANDELS. "Simulasi VELA memiliki banyak keberhasilan dalam hal membantu kami memahami pengamatan CANDEL," kata Primack. "Namun, tidak ada yang memiliki simulasi yang sempurna. Saat kami melanjutkan pekerjaan ini, kami akan terus mengembangkan simulasi yang lebih baik."
Menurut Koo, pembelajaran yang mendalam memiliki potensi untuk mengungkapkan aspek-aspek data observasi yang tidak dapat dilihat oleh manusia. Kelemahannya adalah bahwa algoritmanya seperti "kotak hitam," jadi sulit untuk mengetahui fitur apa yang digunakan oleh data mesin untuk membuat klasifikasi. Teknik interogasi jaringan dapat mengidentifikasi piksel mana dalam gambar yang paling berkontribusi pada klasifikasi, dan para peneliti menguji salah satu metode tersebut pada jaringan mereka.
"Pembelajaran mendalam mencari pola, dan mesin dapat melihat pola yang sangat kompleks yang kita manusia tidak bisa melihatnya," kata Koo. "Kami ingin melakukan lebih banyak pengujian terhadap pendekatan ini, tetapi dalam studi bukti-konsep ini, mesin itu tampaknya berhasil menemukan data berbagai tahap evolusi galaksi yang diidentifikasi dalam simulasi."
Di masa depan, katanya, para astronom akan memiliki lebih banyak data observasi untuk dianalisis sebagai hasil dari proyek survei besar dan teleskop baru seperti Large Synoptic Survey Telescope, James Webb Space Telescope, dan Wide-Field Infrared Survey Telescope. Pembelajaran mendalam dan metode pembelajaran mesin lainnya bisa menjadi alat yang kuat untuk memahami kumpulan data besar ini.
"Ini adalah awal dari waktu yang sangat menarik untuk menggunakan kecerdasan buatan canggih dalam astronomi," kata Koo.
University of California Santa Cruz
Dalam sebuah studi baru, yang akan dipublikasikan di Astrophysical Journal dan tersedia online, para peneliti menggunakan simulasi komputer formasi galaksi untuk melatih algoritma pembelajaran mendalam, yang kemudian terbukti sangat bagus dalam menganalisis gambar galaksi dari Teleskop Luar Angkasa Hubble.
Para peneliti menggunakan output dari simulasi untuk membuat gambar tiruan simulasi galaksi seperti saat melakukan observasi melalui Teleskop Luar Angkasa Hubble. Gambar tiruan digunakan untuk melatih sistem pembelajaran mendalam untuk mengenali tiga fase kunci evolusi galaksi yang sudah diidentifikasikan sebelumnya dalam simulasi. Kemudian, para peneliti memasukkan sejumlah besar gambar Hubble yang sebenarnya ke dalam sistem ini untuk diklasifikasikan.
Hasilnya menunjukkan tingkat konsistensi yang luar biasa dalam mengklasifikasi jaringan syaraf simulasi dan galaksi nyata.
"Kami tidak mengharapkan itu bisa sukses semua. Saya kagum pada betapa kuatnya (sistem) ini," kata peneliti Joel Primack, profesor emeritus fisika dan anggota Santa Cruz Institute for Particle Physics (SCIPP) di UC Santa Cruz . "Kami tahu simulasi itu memiliki keterbatasan, jadi kami tidak ingin membuat klaim yang terlalu kuat. Tapi kami tidak berpikir ini cuma keberuntungan."
Galaksi adalah fenomena yang kompleks, bisa mengubah gambarannya ketika mereka berevolusi selama miliaran tahun, dan gambar galaksi dapat saja hanya memberikan snapshot pada waktu tertentu. Para astronom dapat melihat lebih jauh ke alam semesta dan dengan demikian dapat "kembali ke masa lalu" untuk melihat galaksi-galaksi sebelumnya (dikarenakan waktu yang diperlukan cahaya untuk menempuh jarak kosmik), tetapi mengikuti evolusi galaksi secara individu dari waktu ke waktu hanya dimungkinkan dalam simulasi. Membandingkan dengan simulasi galaksi untuk mengamati galaksi dapat mengungkapkan detil penting galaksi sebenarnya dan kemungkinan sejarahnya.
Dalam studi baru ini, para peneliti sangat tertarik pada fenomena yang terlihat pada simulasi awal evolusi galaksi yang kaya gas, ketika aliran besar gas masuk ke pusat formasi bahan bakar galaksi dari sebuah daerah pembentuk bintang yang padat dan kecil, disebut "nugget biru." (Bintang muda, panas yang memancarkan panjang gelombang cahaya "biru" pendek, jadi warna biru menunjukkan galaksi dengan formasi bintang aktif, sedangkan yang lebih tua, bintang yang lebih dingin memancarkan lebih banyak cahaya "merah".)
Dalam data simulasi dan observasi, program komputer menemukan bahwa fase "nugget biru" hanya terjadi di galaksi dengan massa dalam rentang tertentu. Ini diikuti dengan pendinginan formasi bintang di wilayah pusat, yang mengarah ke fase "nugget merah" yang padat. Konsistensi dari kisaran massa merupakan temuan yang menarik, karena ini menunjukkan algoritma pembelajaran mendalam mampu mengidentifikasi polanya sendiri yang dihasilkan dari proses fisik kunci yang terjadi di ruang galaksi sebenarnya.
"Mungkin dalam kisaran ukuran tertentu, galaksi memiliki massa yang tepat agar proses fisik ini terjadi," kata peneliti David Koo, profesor emeritus astronomi dan astrofisika di UC Santa Cruz.
Para peneliti menggunakan simulasi galaksi state-of-the-art (simulasi VELA) yang dikembangkan Primack dan tim kolaborator internasional, termasuk Daniel Ceverino (University of Heidelberg), yang menjalankan simulasi, dan Avishai Dekel (Hebrew University), yang memimpin analisis dan interpretasi dan mengembangkan konsep fisik baru berdasarkan perangkat ini. Meski demikian, semua simulasi itu terbatas dalam kemampuan mereka untuk menangkap fisika kompleks pembentukan galaksi.
Secara khusus, simulasi yang digunakan dalam penelitian ini tidak termasuk umpan balik dari inti galaksi aktif (injeksi energi dari radiasi sebagai gas yang diakibatkan lubang hitam supermasif sentral). Banyak astronom menganggap proses ini sebagai faktor penting yang mengatur pembentukan bintang di galaksi. Namun demikian, pengamatan terhadap galaksi-galaksi muda dan jauh menunjukkan bukti fenomena yang mengarah ke fase nugget biru yang terlihat dalam simulasi.
Untuk data observasi, tim menggunakan gambar galaksi yang diperoleh melalui proyek CANDELS (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey), proyek terbesar dalam sejarah Teleskop Luar Angkasa Hubble. Peneliti pertama Marc Huertas-Company, seorang astronom di Observatorium Paris dan Universitas Paris Diderot, telah melakukan pekerjaan pionir dengan menerapkan metode pembelajaran mendalam pada klasifikasi galaksi menggunakan data CANDELS yang tersedia untuk publik.
Koo, seorang rekan penyelidik CANDELS, mengundang Huertas-Company untuk mengunjungi UC Santa Cruz untuk melanjutkan pekerjaan ini. Google telah memberikan dukungan pada pekerjaan mereka dalam pembelajaran mendalam dalam astronomi melalui hadiah dana penelitian kepada Koo dan Primack, memungkinkan Huertas-Company menghabiskan dua musim panas di Santa Cruz, dengan rencana satu kunjungan lagi di musim panas 2018.
"Proyek ini hanyalah salah satu dari beberapa gagasan yang kami miliki," kata Koo. "Kami ingin memilih proses yang dapat didefinisikan oleh para ahli teori dengan jelas berdasarkan pada simulasi, dan hal itu ada hubungannya dengan bagaimana kita melihat galaksi, kemudian membawa algoritma pembelajaran mendalam mencarinya dalam observasi. Kami baru saja mulai mengeksplorasi cara baru dalam melakukan penelitian. Ini adalah cara baru yang menggabungkan teori dan pengamatan."
Selama bertahun-tahun, Primack telah bekerja sama dengan Koo dan astronom lain di UC Santa Cruz untuk membandingkan simulasi timnya tentang pembentukan galaksi dan evolusi dengan pengamatan CANDELS. "Simulasi VELA memiliki banyak keberhasilan dalam hal membantu kami memahami pengamatan CANDEL," kata Primack. "Namun, tidak ada yang memiliki simulasi yang sempurna. Saat kami melanjutkan pekerjaan ini, kami akan terus mengembangkan simulasi yang lebih baik."
Menurut Koo, pembelajaran yang mendalam memiliki potensi untuk mengungkapkan aspek-aspek data observasi yang tidak dapat dilihat oleh manusia. Kelemahannya adalah bahwa algoritmanya seperti "kotak hitam," jadi sulit untuk mengetahui fitur apa yang digunakan oleh data mesin untuk membuat klasifikasi. Teknik interogasi jaringan dapat mengidentifikasi piksel mana dalam gambar yang paling berkontribusi pada klasifikasi, dan para peneliti menguji salah satu metode tersebut pada jaringan mereka.
"Pembelajaran mendalam mencari pola, dan mesin dapat melihat pola yang sangat kompleks yang kita manusia tidak bisa melihatnya," kata Koo. "Kami ingin melakukan lebih banyak pengujian terhadap pendekatan ini, tetapi dalam studi bukti-konsep ini, mesin itu tampaknya berhasil menemukan data berbagai tahap evolusi galaksi yang diidentifikasi dalam simulasi."
Di masa depan, katanya, para astronom akan memiliki lebih banyak data observasi untuk dianalisis sebagai hasil dari proyek survei besar dan teleskop baru seperti Large Synoptic Survey Telescope, James Webb Space Telescope, dan Wide-Field Infrared Survey Telescope. Pembelajaran mendalam dan metode pembelajaran mesin lainnya bisa menjadi alat yang kuat untuk memahami kumpulan data besar ini.
"Ini adalah awal dari waktu yang sangat menarik untuk menggunakan kecerdasan buatan canggih dalam astronomi," kata Koo.
University of California Santa Cruz
Comments
Post a Comment