Команда под руководством Марии Дайнотти (NAOJ) показала тесную корреляцию между значениями красного смещения, предсказанными алгоритмом машинного обучения, и фактическими красными смещениями, наблюдаемыми в мощных галактиках, известных как AGN. Это первый случай, когда эти значения были определены для АЯГ, наблюдаемых космическим телескопом Ферми, с использованием машинного обучения. Эти результаты дают возможность надежно определить неизвестные красные смещения этих объектов.
АЯГ являются одними из самых энергичных объектов во Вселенной. Их центры представляют собой активные области, испускающие огромное количество радиации. В результате они видны на больших расстояниях, имея при этом сильно различающиеся красные смещения. Однако измерить красное смещение этих галактик уже сложно, так как это требует утомительных спектроскопических наблюдений. Это также трудоемкая работа. Проблема еще больше с теми АЯГ, которые в основном наблюдаются в гамма-диапазоне. Например, в случае с телескопом Ферми., самый современный инструмент наблюдения в этой области, только около 50% АЯГ имеют спектроскопически определяемое красное смещение - из более чем 3000 наблюдаемых до сих пор. Это серьезное препятствие для ученых, использующих АЯГ в своих исследованиях. Красное смещение галактики говорит нам, насколько далеко она находится, и поэтому имеет фундаментальное значение для понимания Вселенной и галактик в ней. Поэтому необходимы методы, которые могут быстро и точно оценить красное смещение этих галактик без необходимости долгосрочных спектроскопических измерений.
Чтобы сделать это возможным, команда использовала передовые алгоритмы машинного обучения . Первоначально они обучались на образцах AGN из Четвертого каталога LAT Fermi (4LAC). уже определив значения красного смещения. Эти алгоритмы были «научены» находить корреляции между красными смещениями галактик и другими их измеримыми свойствами в диапазоне гамма-излучения. Основываясь на знании этих корреляций, модели попытались предсказать красное смещение для других галактик. Благодаря тому, что параметры АЯГ, используемые в процессе обучения алгоритма, наблюдаются непосредственно телескопом Ферми, их можно относительно легко получить. Определение фундаментальной корреляции между ними и красным смещением данной галактики позволяет в конечном итоге быстро и точно предсказать величину этого красного смещения.
Однако существует широкий спектр моделей машинного обучения и большой выбор моделей, которые следует использовать. Каждый из них имеет свои преимущества и недостатки, что делает его более или менее подходящим для данного набора данных. Например, модели, которые лучше всего подходят для определенных конкретных астрономических данных, могут быть не очень хороши для АЯГ Ферми.
Чтобы решить эту проблему и иметь возможность использовать наилучшую возможную модель, команда решила использовать технику под названием SuperLearner. Суперученик относится к категории алгоритмов машинного обучения, называемых групповым обучением. Это означает, что он может комбинировать множество различных моделей машинного обучения для создания одной модели, которая лучше всех остальных. При этом он использует сильные стороны и сводит к минимуму недостатки многих моделей, чтобы исследователи могли фактически применять модели машинного обучения, которые лучше всего соответствуют данным и дают наилучшие результаты. Вооружившись этой мощной техникой, исследователи обучили шесть моделей на данных телескопа Ферми, которые затем были загружены в программу и объединены в SuperLearner для получения оценок красного смещения, которые, как было установлено, имеют 74% совпадение (корреляцию) с фактически наблюдаемыми красными смещениями. Это наилучшая корреляция, которая была достигнута для АЯГ, наблюдаемых Ферми.
Команда не остановилась на достигнутом. Используя эту эффективную модель машинного обучения, он также предсказал значения красного смещения для 305 AGN из каталога 4LAC, которые ранее не измеряли красные смещения. В рамках проверки возможностей модели в реальных условиях работы также оценивалось красное смещение 47 АЯГ, которые не использовались для обучения модели. В этом случае также была получена корреляция 73%.
Это передовое исследование доказывает, что быстрая и точная оценка красных смещений АЯГ возможна только с использованием наблюдаемых свойств гамма-волн. Также было доказано, что недостающие значения в каталоге 4LAC и других подобных каталогах могут быть вменены , так что не совсем полные наблюдения также могут быть использованы при обучении рассматриваемых моделей. Три исследовательские работы, опубликованные командой, в настоящее время являются единственными работами по определению красных смещений АЯГ с гамма-красным смещением из каталога 4LAC.
Описанные результаты являются частью исследований, проводимых в Отделе звездной и внегалактической астрономии Астрономической обсерватории Ягеллонского университета . Исследование финансировалось за счет гранта Национального научного центра УМО-2018/30/М/СТ9/00757 и гранта Министерства науки и высшего образования DIR/WK/2018/12.