天文学家利用深度神经网络检测罕见的中性原子碳吸收体

近日，中国科学院上海天文台葛健教授领导的国际团队利用深度学习，在斯隆数字巡天III(SDSS-III)计划发布的类星体光谱数据中寻找罕见的微弱信号。神经网络。

通过引入一种探索星系形成和演化的新方法，该团队展示了人工智能(AI)在识别天文大数据中罕见的微弱信号方面的潜力。该研究发表在《皇家天文学会月刊》上上。

来自宇宙中冷气体和尘埃的“中性碳吸收剂”是研究星系形成和演化的重要探针。然而，中性碳吸收线的信号微弱且极其罕见。

天文学家一直在努力使用传统的相关方法在大量类星体光谱数据集中检测这些吸收体。“这就像大海捞针一样，”葛教授说。

2015年，SDSS在此前发布的数万个类星体的光谱中发现了66个中性碳吸收体，这是获得的样本数量最多的一次。

在这项研究中，葛教授团队根据实际观察，利用大量中性碳吸收线的模拟样本，设计并训练了深度神经网络。通过将这些训练有素的神经网络应用到SDSS-III数据中，研究小组发现了107种极其稀有的中性碳吸收剂，使2015年获得的样本数量增加了一倍，并检测到了比以前更多的微弱信号。

通过叠加众多中性碳吸收剂的光谱，该团队显着增强了检测各种元素丰度的能力，并直接测量了灰尘引起的气体中的金属损失。

结果表明，这些含有中性碳吸收探针的早期星系在宇宙只有约30亿岁(当前宇宙年龄为138亿岁)时就经历了快速的物理和化学演化。这些星系正在进入大麦哲伦云(LMC)和银河系(MW)之间的演化状态，产生大量金属，其中一些结合形成尘埃颗粒，导致观察到尘埃变红的效果。

这一发现独立地证实了詹姆斯·韦伯太空望远镜(JWST)的最新发现，该望远镜在宇宙中最早的恒星中检测到了类金刚石碳尘埃，表​​明一些星系的演化速度比之前预期的要快得多，挑战了现有的星系形成和演化模型。

与JWST通过星系发射光谱进行研究不同，这项研究通过观察类星体的吸收光谱来研究早期星系。应用训练有素的神经网络来寻找中性碳吸收剂，为未来研究宇宙和星系的早期演化提供了新工具，补充了JWST的研究方法。

“有必要开发创新的人工智能算法，能够快速、准确、全面地探索海量天文数据中的稀有和微弱信号。”葛教授说。

该团队旨在将本研究中引入的方法推广到图像识别中，通过提取多个相关结构来创建人工“多结构”图像，从而有效训练和检测微弱图像信号。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！