Nell’immagine un esempio grafico di rete neurale convoluzionale. Queste reti, tramite l’intelligenza artificiale, imparano a misurare galassie simulate di cui si conoscono le grandezze fisiche legate alla loro distribuzione della luce come luminosità totale, dimensione e forma. In questo modo, analizzando le galassie reali, le reti addestrate riescono a stimare le stesse quantità fisiche attraverso la somiglianza del loro aspetto con le galassie simulate. Una parte importante di questo processo, per cui le GaLNet sono risultate particolarmente performanti, è stata l’accuratezza con cui sono state riprodotte le condizioni osservative nelle galassie simulate, che anche all’occhio più esperto appaiono indistinguibili da quelle reali. Sullo sfondo la galassia reale e vicino la galassia come appare dopo la simulazione. Crediti: Li/Napolitano/Tortora/Kids-collaboration/Eso
Un gruppo internazionale di scienziati, tra cui alcuni dell’Istituto nazionale di astrofisica (Inaf), ha usato l’intelligenza artificiale per misurare le dimensioni di galassie distanti fino a circa sette miliardi di anni luce dalla Terra. Come dei veri e propri “sarti galattici”, i ricercatori – coordinati da Nicola R. Napolitano, professore ordinario presso la Sun Yat-sen University (Cina) – hanno sviluppato una rete neurale convoluzionale per determinare i parametri strutturali delle galassie, in particolare le loro dimensioni. La rete neurale ha il vantaggio di “misurare” queste grandezze molto più velocemente rispetto ai metodi tradizionali, che si basano su tecniche computazionali più lente. Si tratta di uno strumento fondamentale per analizzare l’enorme mole di dati che arriverà in futuro da telescopi come Rubin e Euclid, che osserveranno un terzo dell’intera volta celeste. I risultati di queste ricerche sono stati pubblicati oggi sulla rivista The Astrophysical Journal.
«Come un sarto ha l’occhio e l’esperienza per determinare la taglia di una persona per poi confezionare il vestito perfetto, così l’astronomo ha bisogno di conoscere la forma e la taglia delle galassie, che rappresentano informazioni cruciali per capirne la struttura e ricostruire i modelli per spiegare la loro storia evolutiva», racconta Crescenzo Tortora, ricercatore all’Inaf di Napoli e coautore dell’articolo. Tortora ha contribuito in questi anni allo sviluppo di queste tecniche anche per trovare lenti gravitazionali.
La rete neurale al centro di questo studio si chiama GalNet (Galaxy light profile convolutional neural network). È la prima volta al mondo che questa tecnica è stata applicata su dati da Terra, dimostrando che l’intelligenza artificiale, molto più veloce e accurata delle tecniche usuali, rappresenta il futuro per questo tipo di misure nelle survey a grande campo, sia da Terra (Rubin/Lsst) che dallo spazio (Euclid), che permetteranno di osservare miliardi di galassie. Questi enormi database, alla cui costruzione i ricercatori italiani forniranno un contributo fondamentale proprio grazie all’intelligenza artificiale, permetteranno di studiare i processi fisici che hanno guidato l’evoluzione delle galassie dalle epoche primordiali dell’universo fino a oggi.
Le galassie più massicce hanno dimensioni che variano molto in funzione della massa: è per esempio il caso delle galassie ellittiche con masse da 10 miliardi di masse solari in su. A questo va aggiunto un dato importante, cioè che le dimensioni di determinate galassie variano col passare del tempo cosmico, e sono cambiate fino a 4 volte negli ultimi 10 miliardi di anni. La variazione di dimensioni può essere spiegata attraverso il fenomeno del merging di galassie, ovvero la fusione tra galassie di simile massa e dimensione (major merger) o di massa e dimensioni molto minori (minor merger). Questo ultimo tipo di fusione sembra essere il processo più accreditato per spiegare la forte evoluzione delle dimensioni galattiche.
«Nel corso degli ultimi anni», spiega il primo autore del lavoro, Rui Li, «abbiamo sviluppato delle reti neurali artificiali convoluzionali, e cioè dei software che riproducono le connessioni neurali all’interno della corteccia visiva animale, per trovare lenti gravitazionali, rari eventi che si manifestano quando la luce di una galassia lontana viene deflessa dal campo gravitazionale di una galassia (lente) più vicina. Queste galassie vengono individuate attraverso il riconoscimento di forme particolari, come immagini multiple, archi e anelli, immagini deformate della sorgente lontana. Abbiamo esteso la nostra analisi, elaborando una rete neurale capace di riprodurre dei parametri caratteristici delle galassie. Questa tecnica di machine learning (apprendimento automatico) si basa sull’addestramento della rete ottenuto fornendole degli esempi di cosa dovrà determinare, in questo caso immagini simulate di galassie con valori noti di alcuni parametri caratteristici. Abbiamo quindi simulato delle galassie con dei modelli analitici, detti modelli di Sérsic, e abbiamo poi insegnato alla rete a ottenere i parametri di questi modelli, tra i quali il raggio che contiene metà luce (che è collegato alla dimensione delle galassie), la pendenza del profilo di luce, l’ellitticità, e la luce totale della galassia».
«Abbiamo utilizzato le reti neurali convoluzionali per fare qualcosa che non era stato fatto prima», sottolinea Napolitano. «Il seeing atmosferico, ossia l’effetto di sfocamento dovuto alla turbolenza atmosferica che devia il percorso dei raggi luminosi provenienti dallo spazio, varia sistematicamente da galassia a galassia nelle immagini raccolte dai nostri telescopi. Abbiamo addestrato la nostra rete neurale ad imparare non solo le proprietà della galassia in analisi, ma anche del seeing più appropriato nella regione di cielo nella quale si trova. Siamo riusciti, in questo modo, a ottenere parametri strutturali delle galassie con un’accuratezza simile a quella che si otterrebbe portando lo stesso telescopio fuori dall’atmosfera».
Lo sviluppo di questa rete neurale è stato possibile anche grazie ai dati della survey Kids@Vst, concepita dall’Inaf di Napoli. Napolitano ha iniziato questo tipo di attività quando era ricercatore dell’Inaf.
«Nel prossimo futuro», aggiunge Tortora, «i telescopi Euclid e Rubin ci presenteranno dati nelle frequenze ottiche ed infrarosse per milioni se non miliardi di galassie. Il nostro lavoro dimostra che, una volta addestrata la rete, potremo determinarne la taglia velocemente e in maniera precisa. Queste analisi forniranno informazioni mai avute prima sulle proprietà strutturali di galassie di diversa massa, in ammassi, gruppi o isolate nell’universo, e a diverse epoche cosmiche, per tracciare i processi evolutivi che le hanno portate ad essere le galassie che sono, dal loro primo vagito, fino a quando diventeranno anziane e stanche».
L’intelligenza artificiale è una tecnica sorprendente che evoca immagini di film di fantascienza, ma fa parte pienamente della nostra realtà: è uno strumento come altri per fare scienza. «Noi lo abbiamo usato per misurare le dimensioni delle galassie, lo faremo per miliardi di galassie, per capire come sono nate e come sono cresciute, e come sono arrivate ad essere le galassie che vediamo», conclude Tortora.
Per saperne di più:
- Leggi il preprint dell’articolo pubblicato su The Astrophysical Journal “GAlaxy Light profile convolutional neural NETworks (GaLNets). I. fast and accurate structural parameters for billion galaxy samples”, di R. Li, N. R. Napolitano, N. Roy, C. Tortora, F. La Barbera, A. Sonnenfeld, C. Qiu e S. Liu