Astronomiczny Obiekt Miesiąca: Październik 2022

< poprzedni Archiwum następny >

AGN-y i algorytmy uczenia maszynowego

Zespół kierowany przez Marię Dainotti z Narodowego Obserwatorium Astronomicznego w Japonii (NAOJ) wykazał istnienie ścisłej korelacji między wartościami przesunięcia ku czerwieni przewidywanymi przez algorytm uczenia maszynowego a rzeczywistymi, obserwowanymi przesunięciami ku czerwieni potężnych galaktyk zwanych AGN-ami. To pierwszy przypadek wyznaczenia tych wartości dla AGN-ów obserwowanych przez Kosmiczny Teleskop Fermiego przy użyciu uczenia maszynowego. Wyniki badań dają szanse na możliwość wiarygodnego i szybkiego wyznaczania nieznanych redshiftów tych obiektów.

AGN-y są jednymi z najbardziej energetycznych obiektów we Wszechświecie. Ich centra są aktywnymi obszarami emitującymi ogromne ilości promieniowania. Dzięki temu są one widoczne na dużych odległościach, mając przy tym silnie zróżnicowane przesunięcia ku czerwieni. Jednak pomiar przesunięć ku czerwieni (ang. redshift) tych galaktyk jest już trudny, gdyż wymaga żmudnych obserwacji spektroskopowych. Jest to także czasochłonna praca. Problem jest jeszcze większy w przypadku tych AGN-ów, które obserwuje się głównie w zakresie promieniowania gamma. Na przykład w przypadku Teleskopu Fermiego, najnowocześniejszego instrumentu do obserwacji w tym zakresie, jedynie około 50% AGN-ów ma wyznaczony spektroskopowo redshift – z ponad 3000 dotychczas zaobserwowanych. To istotna przeszkoda dla naukowców wykorzystujących AGN-y w badaniach. Przesunięcie ku czerwieni danej galaktyki mówi nam o tym, jak daleko się ona znajduje, a zatem ma fundamentalne znaczenie dla zrozumienia Wszechświata i znajdujących się w nim galaktyk. Dlatego potrzebne są techniki, które pozwolą szybko i dokładnie oszacować przesunięcia ku czerwieni tych galaktyk, bez konieczności wykonywania długotrwałych pomiarów spektroskopowych.

Aby było to możliwe, zespół zastosował zaawansowane algorytmy uczenia maszynowego. Były one początkowo szkolone na próbkach AGN-ów z katalogu Fermi’s Fourth LAT Catalog (4LAC), mających już wyznaczone wartości przesunięcia ku czerwieni. Algorytmy te „uczono” wynajdywania korelacji pomiędzy przesunięciem ku czerwieni galaktyk a ich innymi właściwościami mierzalnymi w zakresie promieniowania gamma. Na podstawie znajomości tych korelacji modele próbowały następnie przewidzieć przesunięcia ku czerwieni dla innych galaktyk. Dzięki temu, że wykorzystane w procesie szkolenia algorytmów parametry AGN-ów są obserwowane bezpośrednio przez teleskop Fermiego, można je stosunkowo łatwo uzyskać. Określenie fundamentalnej korelacji pomiędzy nimi a redshiftem danej galaktyki pozwala zatem ostatecznie na szybkie i dokładne przewidzenie wartości tego redshiftu.

Istnieje jednak szeroki zakres modeli uczenia maszynowego i duży wybór co do tego, który model powinno się przyjąć. Każdy z nich ma swoje wady i zalety, przez co jest bardziej lub mniej odpowiedni dla danego zbioru danych. Modele, które najlepiej sprawdzają się w przypadkach pewnych konkretnych danych astronomicznych, mogą na przykład wcale nie radzić sobie dobrze z AGN-ami Fermiego.

Chcąc rozwiązać ten problem i móc posłużyć się najlepszym możliwym modelem, zespół postanowił wykorzystać technikę o nazwie SuperLearner. SuperLearner należy do kategorii algorytmów uczenia maszynowego zwanych uczeniem zespołowym. Oznacza to, że może łączyć w sobie wiele różnych modeli uczenia maszynowego w celu wygenerowania jednego modelu, lepszego niż wszystkie pozostałe. W ten sposób wykorzystuje mocne strony i minimalizuje słabości wielu modeli, dzięki czemu uczeni mogą faktycznie zastosować modele uczenia maszynowego najlepiej pasujące do danych, otrzymując najlepsze wyniki. Uzbrojeni w tę potężną technikę badacze wyszkolili sześć modeli na danych z teleskopu Fermiego, które zostały następnie wprowadzone do programu i połączone w SuperLearnerze celem otrzymania oszacowań dla przesunięć ku czerwieni, które okazały się mieć aż 74% zgodność (korelację) z rzeczywistymi, obserwowanymi redshiftami. Jest to najlepsza korelacja, jaką udało się osiągnąć dla AGN-ów obserwowanych przez Fermiego.

Zespół nie poprzestał na tym. Wykorzystując ten skuteczny model uczenia maszynowego, przewidział dodatkowo wartości redshiftów dla 305 AGN-ów z katalogu 4LAC, które wcześniej nie miały zmierzonych przesunięć ku czerwieni. W ramach sprawdzania możliwości modelu w warunkach rzeczywistej pracy oszacowano też redshift 47 AGN-ów, które nie były używane do szkolenia modelu. W tym przypadku również uzyskano korelację na poziomie 73%.



Te nowatorskie badania dowodzą, że szybkie i dokładne oszacowanie przesunięć ku czerwieni AGN-ów jest możliwe przy użyciu jedynie ich własności obserwowanych w zakresie fal gamma. Udowodniono również, że brakujące wartości w katalogu 4LAC i innych podobnych katalogach można poddać imputacji, dzięki czemu nie do końca kompletne obserwacje także mogą zostać użyte w szkoleniu omawianych modeli. Trzy opublikowane przez zespół artykuły naukowe są obecnie jedynymi pracami na temat wyznaczania przesunięć ku czerwieni AGN-ów głośnych w zakresie gamma z katalogu 4LAC.


Oryginalna publikacja: Wyniki pojawiły się po raz pierwszy w pracy Dainotti et al. Predicting the Redshift of γ-Ray-loud AGNs Using Supervised Machine Learning, the Astrophysical Journal, 2021, a następnie w pracach Narendra et al., Predicting the Redshift of Gamma-Ray Loud AGNs Using Supervised Machine Learning. II, The Astrophysical Journal 2022, i Gibson et al., Using Multivariate Imputation by Chained Equations to Predict Redshifts of Active Galactic Nuclei, Frontiers in Astronomy and Space Sciences, w marcu 2022.

Opisane wyniki są częścią badań prowadzonych w Zakładzie Astronomii Gwiazdowej i Pozagalaktycznej Obserwatorium Astronomicznego Uni Jagiellońskiego. Badania zostały dofinansowane z grantu Narodowego Centrum Nauki UMO-2018/30/M/ST9/00757 i grantu Ministerstwa Nauki i Szkolnictwa Wyższego DIR/WK/2018/12.



Kontakt:

Aditya Narendra Obserwatorium Astronomiczne Uniwersytetu Jagiellońskiego A.Narendra [@] oa.uj.edu.pl