اگر در هر دوره از نجوم یک رانندگی منظره داشته باشیم، از جایی در میان انسان های باستانی شروع می کنیم که چرا کرم شب تاب های ثابتی در آسمان گیر کرده اند. ما در کتابخانه‌ها با طومارهایی در مورد اینکه چگونه آن کرم شب‌تاب‌ها، در حقیقت، خواهر و برادر خورشید غول‌پیکر زرد ما هستند، سفر می‌کردیم، و سپس در اتاق‌هایی با کتاب‌هایی در مورد اینکه چگونه کل جهان ما به نوعی به دور آن خورشید می‌چرخد، سفر می‌کردیم.
در نهایت، ما به تماشای دانشمندان خواهیم پرداخت که نیروی گرانش وابسته به ساختار فضازمان است، تصاویری از کهکشان های رنگین کمانی به جز کهکشان راه شیری به دست می آورند و محدودیت های دقیق سیاهچاله های کلان پرجرم را محاسبه می کنند.
اما درست زمانی که به خروجی خود به امروز نزدیک می شویم، فکر می کنم شروع به مشاهده چیز بسیار جالبی خواهیم کرد. ما شروع به دیدن پیوند رو به رشد بین ستاره شناس و ماشین خواهیم کرد که ما را قادر می سازد درهای کیهانی را سریعتر باز کنیم. آریترا قوش، دانشجوی فوق دکتری در دانشگاه واشنگتن، یکی از این ستاره شناسان است.
به عنوان مثال، گوش اخیراً موفق شد تأیید کند که کهکشان‌های مناطق چگال‌تر جهان می‌توانند تا ۲۵ درصد بزرگتر از کهکشان‌هایی با جرم و شکل مشابه در مناطق کم‌تراکم باشند. ‘اندازه’ در این مورد به شعاع کهکشانی اطلاق می شود که ۵۰ درصد از کل انتشار نور آن را شامل می شود. این به خودی خود یک نتیجه خوب است، اما مهمتر از همه، برجسته کردن چگونگی دستیابی به آن کلیدی است: با استفاده از یادگیری ماشینی برای مطالعه کهکشان‌های منفرد بیشتری نسبت به آنچه که بدن انسان می‌تواند در یک عمر تجزیه و تحلیل کند. به طور دقیق، ۲،۸۹۴،۷۱۶ کهکشان در مجموعه داده وجود داشت.
Ghosh گفت: ‘در دهه گذشته، بسیاری از ستاره شناسان، مانند من، مطالعات پر زحمتی را برای ایجاد اعتماد در یادگیری ماشین انجام داده اند و نشان داده اند که می تواند تکنیک های سنتی را تکرار کند.’ در نهایت، می‌توانیم از این تکنیک‌ها برای دستیابی به نتایج علمی جدید استفاده کنیم.
این مجموعه نمونه عظیم کهکشانی، در واقع از مجموعه عظیم‌تری که Ghosh با کمک یادگیری ماشینی به دست آورد، آمده است. مجموعه اصلی، که با ابزار نقشه برداری به نام GaMPEN به دست آمد، شامل داده های پیرامون ۷۸۰۵۱۸۶ کهکشان بود – زیرمجموعه کوچکتر برای این مطالعه جدید بر اساس مکان کهکشان ها در آسمان انتخاب شد. در یک میلی ثانیه، GaMPEN می تواند ساختار یک کهکشان را بر اساس پارامتری که کاربر انتخاب می کند، تعیین کند. Ghosh و همکارانش از پارامتری استفاده کردند که نشان می داد در مقایسه با برآمدگی مرکزی کهکشان چه کسری از نور از قرص بیرونی کهکشان می آید.
Ghosh گفت: ‘من می خواستم به جامعه گسترده تر نشان دهم که چگونه یادگیری ماشین و مجموعه داده های تصویربرداری بزرگ را می توان برای پیشرفت در سوالات طولانی مدت در اخترفیزیک ترکیب کرد.’
سپس، از بین آن تقریباً ۸ میلیون سوژه، Ghosh آنهایی را که در مناطقی که چگالی جهان را از طریق محاسبات قبلی می دانستند، بیرون کشید. در این کار، محیط‌های «چگال» چیزهای زیادی را در خود جای داده بودند، از جمله مناطقی که در آن ابرخوشه‌های کهکشانی پیدا می‌شد. آنها مجموعه‌های غول‌پیکری از بسیاری از خوشه‌های کهکشانی هستند (یک خوشه کهکشانی می‌تواند حاوی ۱۰۰۰ کهکشان منفرد باشد!) که معمولاً در رشته‌های شبکه کیهانی که در کل جهان ما نفوذ می‌کند قرار دارند. می توانید آنها را به عنوان نقاط داغ مرکز شهر در نظر بگیرید.
گوش گفت: همکاران ما در ژاپن به رهبری ریتم شیماکاوا، تراکم محیطی را اندازه‌گیری کردند. آنها از یک الگوریتم کامپیوتری غیر ML برای قرار دادن دایره‌هایی با شعاع ۳۰ میلیون سال نوری در بخش‌های مختلف آسمان و شمارش تعداد کهکشان‌های درون هر دایره استفاده کردند.
پس از شناسایی زیرمجموعه، گوش و تیمش شروع به بررسی همبستگی بین اندازه کهکشانی و محیط کردند.
از آنجایی که جرم یک کهکشان به شدت با اندازه و محیط آن مرتبط است – برای مثال، انتظار می رود کهکشان های پرجرم بزرگتر باشند و در محیط های متراکم تر زندگی کنند – این تیم اندازه کهکشان ها را با جرم یکسان در محیط های مختلف مقایسه کرد. Ghosh توضیح داد: «از آنجایی که کهکشان‌های عظیم نادر هستند، ما با اخترفیزیکدانان نظری همکاری کردیم تا یک معیار جدید برای تجزیه و تحلیل همبستگی ایجاد کنیم.»
بعلاوه، این نه تنها بزرگترین کاتالوگی است که تا به حال برای مطالعه در مورد اندازه و محیط کهکشانی استفاده شده است – و، گوش حدس می‌زند، احتمالاً در پنج فهرست برتر برای هر مطالعه اخترفیزیکی قرار دارد – بلکه مکانیسم تصحیح خطا را نیز دارد که گوش می‌گوید کم و بیش بود. در مطالعات مشابه قبلی، تا حدی به لطف مولفه یادگیری ماشین، وجود نداشت.
با صحبت از آن مطالعات قبلی، نتیجه اینکه کهکشان‌های بزرگتر بیشتر از شهرهای کیهانی روستایی در شهرهای ابرخوشه‌ای قرار می‌گیرند، کمی شگفت‌انگیز بود – علیرغم اینکه نسبتاً شهودی به نظر می‌رسد. همانطور که Ghosh توضیح می دهد، بسیاری از دانشمندانی که درون و برون کهکشان ها را در خوشه ها مطالعه کرده اند، معتقد بودند که نیروهای دینامیکی قوی در آن خوشه ها به تدریج ماده را از یک کهکشان دور می کند و در نتیجه اندازه آن را کوچکتر می کند.
اما تیم کهکشان های بزرگتر را در محیط های متراکم و ابرخوشه ای دید. عجیبه
Ghosh گفت: ‘ما ابتدا الگوریتم همبستگی خود را بر روی زیر مجموعه های کوچکتر آزمایش کردیم.’ ‘آها!’ لحظه ای بود که ما برای اولین بار آنالیز را روی کل نمونه ۳ میلیون کهکشانی انجام دادیم و متوجه همبستگی مثبت قوی شدیم.’
در مورد اینکه چرا ممکن است این باشد؟ خوب، برخی از احتمالات وجود دارد. یکی مربوط به نوع «ماده» است که برای حذف کهکشان‌ها در نواحی متراکم کیهان پیشنهاد شده است – ماده معمولی متشکل از پروتون‌ها، نوترون‌ها و الکترون‌های استاندارد. این سؤال را ایجاد می کند: در مورد ماده تاریک چطور؟ شاید این ماده نامرئی نقشی در بزرگتر نگه داشتن کهکشان ها داشته باشد. این یک ایده خیلی دور از ذهن نخواهد بود، زیرا دانشمندان نشان داده اند که اکثر کهکشان های بزرگ در هاله ای از ماده تاریک زندگی می کنند، از جمله راه شیری خودمان.
Ghosh گفت: کار ما نشان می‌دهد که وقتی میانگین‌گیری را روی بسیاری از خوشه‌ها انجام می‌دهید، ماده تاریک به نیروی محرکه اصلی تبدیل می‌شود و روند مشاهده شده در خوشه‌های منفرد را معکوس می‌کند.
با این حال، این امکان نیز وجود دارد که کهکشان‌ها در محیط‌های متراکم‌تر در ابتدا بزرگتر باشند. با این حال، این احتمال وجود دارد که محیط های متراکم احتمال و سهولت ادغام کهکشانی را افزایش دهند.
Ghosh گفت: ‘یک کار بعدی جالب بررسی این است که چگونه این نتیجه با تغییر شعاع دایره ای که در آن چگالی ها را اندازه گیری می کنید، تغییر می کند.’ ‘اگر از شعاع ۱ میلیون سال نوری به جای ۳۰ استفاده کنید، چه؟’
در این میان، تیم چشمان خود را به رصدخانه روبین آینده که قرار است در اوایل سال ۱۴۰۴ اولین نور کیهان را ببیند و مجموعه داده های عظیمی که برای تولید آن طراحی شده است، دوخته است.
Ghosh گفت: ‘همکاری فعلی من روی رصدخانه روبین متمرکز است، که ۲۰ میلیارد کهکشان را در طول عمر خود رصد خواهد کرد.’
و، حتی اگر روبین به نحوی موفق شود به جای قرار دادن چند پازل روی میز، چند قطعه پازل اضافی زیر کاناپه پیدا کند، باز هم موفقیت مشخصی برای مطالعه Ghosh وجود دارد. این شواهدی است که نشان می‌دهد می‌توان به ماشین‌ها در مورد پرسش‌هایی در مورد کیهانی که ما آنها را به آن وارد کردیم اعتماد کرد.
این مطالعه در ۲۴ شهریور در مجله Astrophysical منتشر شد.
