黑洞在早期宇宙中消失了，計算機在追蹤它們
0
藝術家對黑洞的早期中消追蹤概念。這個圖像包括一個被重力場牽引的宇宙南通外圍（外圍模特）外圍女（電話微信156-8194-*7106）真實上門外圍上門外圍女，快速安排30分鐘到達過熱物質圓盤，以及垂直于圓盤噴出的失計算機物質射流。這些射流在無線電頻率中發出明亮的黑洞光，這是早期中消追蹤一種信號，該研究的宇宙作者能夠通過使用機器學習技術對天文圖像進行自動分析來預測。資料來源:uux.cn/eso.org/public/portugal/images/eso2305b/.信貸:s . Dagnello(NRAO/AUI/國家科學基金會)
（神秘的失計算機地球uux.cn）據天體物理學和空間科學研究所：在肉眼所能看到的范圍內，星系充斥著宇宙深處的黑洞圖像。是早期中消追蹤什么過程決定了它們的形狀、顏色和恒星數量？宇宙天文學家認為原始黑洞是星系成長和轉變的引擎，可以解釋我們現在看到的失計算機南通外圍（外圍模特）外圍女（電話微信156-8194-*7106）真實上門外圍上門外圍女，快速安排30分鐘到達宇宙景觀。
即將到來的黑洞射電望遠鏡巡天將捕捉早期宇宙中的數百萬個星系，但只有自動工具，早期中消追蹤如天體物理和空間科學研究所(IA)領導的宇宙團隊創建的算法，可能會讀取這些海量數據，并找到核心有大規模黑洞的星系。
在今天(12月6日)發表在《天文學與天體物理學》雜志上的一篇文章中，由天體物理學和空間科學研究所(IA)和里斯本大學科學學院(Ciências ULisboa)的羅德里戈·卡瓦亞爾領導的一個國際團隊展示了一種機器學習技術，該技術可以識別早期宇宙中的超發光星系。
這些星系被認為是由位于其核心的貪婪黑洞的活動所控制的。根據作者的說法，這應該是第一個預測這種活動何時也在無線電頻率中輻射強烈信號的算法。無線電輻射通常與銀河系的其他光線截然不同，有時很難將它們聯系起來。這種人工智能技術將使天文學家能夠更有效地尋找所謂的射電星系。
該算法是與Closer company合作開發的，在數據科學技術解決方案領域發揮作用，用在電磁波譜的幾個波長中獲得的星系圖像進行訓練。當用其他圖像進行測試時，它能夠預測比使用明確指令的傳統方法多四倍的射電星系。
隨著機器學習開發自己的算法，試圖理解它的成功可能有助于澄清這些星系中正在發生的物理現象，這些現象發生在大爆炸后15億年，也就是說，當宇宙是其當前年齡的十分之一時。
“我們必須在天空中找到更多活躍的星系，因為有預測稱，在宇宙早期歷史中，應該存在更多的星系。“根據目前的觀察，我們沒有這個數字，”卡瓦亞爾說。根據這位研究人員的說法，需要更多的觀察來驗證當前關于活躍星系如何演化的理解是否正確，或者必須進行修改。
“分析機器學習模型本身并了解它們內部發生的事情也很重要，”卡瓦亞爾補充道。“哪些特征與決策最相關？例如，我們想知道該模塊表明它是一個活動星系的最重要特征是否是該星系發出的紅外光，這可能是新恒星快速形成的標志。有了這個，我們能夠產生一個新的定律來區分什么是正常星系和活動星系。”
計算機所做的決定中星系特征的相對權重可能會指出其強烈活動的來源，特別是在無線電波段。在一項準備中的研究中，卡瓦亞爾正在探索無線電輻射和恒星形成之間這種明顯相關性的含義。
該論文的第二作者，IA and Ciências ULisboa的Israel Matute澄清說:“這些模型是數學工具，當數據的復雜性增加時，它們可以幫助我們尋找正確的方向。這項工作可能會為宇宙歷史后半期抑制新恒星形成的過程提供見解。”
原始宇宙中似乎缺乏的星系可能存在于現代射電望遠鏡在未來幾年產生的大量數據中。未來對廣闊天空區域的調查將揭示數十億個星系。一個例子是宇宙演化圖(EMU ),它將用澳大利亞的ASKAP射電望遠鏡繪制整個南半球的地圖。
由IA領導的團隊已經在處理來自本次調查試點項目的數據。一旦完善，這些工具將對未來平方公里陣列天文臺(SKAO)產生的天文數據量的處理至關重要。葡萄牙是該觀測站聯合體的成員，該觀測站已經在建設之中。
“在天文學將獲得大量數據的新時代，開發先進的數據處理和分析技術變得越來越重要，”IA和Ciências ULisboa的José Afonso說，他是本文的合著者。“在IA，我們正在開發和實施這些技術，以便能夠破譯星系的起源和大多數星系所擁有的超大質量黑洞。”
Closer公司與IA合作的想法是由合著者之一Helena Cruz提出的，她擁有物理學博士學位，是Closer公司的數據科學家。她的參與對于分析和處理不同數據源之間的不確定性和不一致性的影響至關重要，這些數據源來自幾個望遠鏡和觀測項目，用于訓練機器學習算法。
一組射電星系——在無線電頻率中有大量輻射的星系——由LOFAR射電望遠鏡觀測到，在可見光中疊加在天空的同一區域。射電輻射的范圍是明顯的，與星系的可見部分截然不同。這些是這個研究團隊開發的機器學習算法訓練中使用的一些星系。鳴謝:uux.cn/朱迪思·克羅斯頓和LOFAR調查小組
“我意識到天文學是一個探索和開發機器學習模型的巨大機會的領域，對我來說，將我的專業技能應用到這個領域是有意義的，”克魯茲說。“我與Closer分享了我的興趣，雙方立即表現出合作的意愿，我認為這是我在該公司工作的延伸。”
Closer聯合創始人、教授兼研究員若昂·皮雷斯·達·克魯茲(joo Pires da Cruz)補充說:“Closer因其合作者的知識而繁榮，這是它的資本。“從科學的角度來看，我們團隊成員參與的項目越具有挑戰性和復雜性，公司的資本就越多。我們將有合作者能夠解決我們客戶的問題，這些問題類似于來自遙遠星系的信號問題。”