For at lære mere om de dybeste rækkevidde af vores egen galakse og mysterierne om stjernedannelse, har japanske forskere skabt en dyb læringsmodel. Det Osaka Metropolitan University-ledede team brugte kunstig intelligens til at pore gennem de enorme mængder data, der blev erhvervet fra rumteleskoper, og fandt boble-lignende strukturer, der ikke var inkluderet i eksisterende astronomiske databaser.
Resultaterne er blevet offentliggjort i Publikationer fra Astronomical Society of Japan.
Mælkevejen Galaxy, vi lever i, som andre galakser i universet, har boble-lignende strukturer dannet hovedsageligt under fødslen og aktiviteten af stjerner med høj masse. Disse såkaldte Spitzer-bobler har vigtige ledetråde til at forstå processen med stjernedannelse og galakseudvikling.
Graduate School of Science -studerende Shimpei Nishimoto og professor Toshikazu Onishi samarbejdede med forskere fra hele Japan for at udvikle den dybe læringsmodel. Ved hjælp af data fra Spitzer Space Telescope og James Webb Space Telescope anvender modellen AI -billedgenkendelse til effektivt og nøjagtigt at registrere Spitzer Bubbles. De opdagede også skallignende strukturer, der menes at være dannet af supernova-eksplosioner.
“Vores resultater viser, at det er muligt at gennemføre detaljerede undersøgelser af stjernedannelse, men også af virkningerne af eksplosive begivenheder inden for galakser,” sagde kandidatstuderende Nishimoto.
Professor Onishi tilføjede, “I fremtiden håber vi, at fremskridt inden for AI -teknologi vil fremskynde belysningen af mekanismerne for galakseudvikling og stjernedannelse.”