<div data-thumb="https://scx1.b-cdn.net/csz/news/tmb/2023/detecting-galactic-fil.jpg" data-src="https://scx2.b-cdn.net/gfx/news/2023/detecting-galactic-fil.jpg" data-sub-html="Example of a galactic plane area of the synthesis of the result obtained. The top left image shows the area seen in near-infrared emission (K-band, 2MASS survey). This data was not used for training but is used here for the empirical validation of the result obtained through supervised learning and segmentation (bottom left image). This image shows the probability map for a pixel to belong to the "filament" class, the structure we were trying to identify from the training. The top right image shows the data used for this study, showing the column density distribution (amount of material on the line of sight) obtained from the Herschel space infrared satellite data. The black squares show the saturated areas where physical information cannot be obtained. The bottom right image shows the filaments known before our study, whose structures were used as masks for supervised learning using the convolutional networks Unet and Unet++. Credit: Astronomie & Astrophysique (2022). DOI : 10.1051/0004-6361/202244103″>
Exemple d’un plan galactique zone de synthèse du résultat obtenu. L’image en haut à gauche montre la zone vue en émission dans le proche infrarouge (bande K, relevé 2MASS). Ces données n’ont pas été utilisées pour l’apprentissage mais sont utilisées ici pour la validation empirique du résultat obtenu par apprentissage supervisé et segmentation (image en bas à gauche). Cette image montre la carte de probabilité pour qu’un pixel appartienne à la classe “filament”, la structure que nous essayions d’identifier à partir de la formation. L’image en haut à droite montre les données utilisées pour cette étude, montrant la distribution de densité de colonne (quantité de matière sur la ligne de visée) obtenue à partir des données du satellite infrarouge spatial Herschel. Les carrés noirs montrent les zones saturées où les informations physiques ne peuvent pas être obtenues. L’image en bas à droite montre les filaments connus avant notre étude, dont les structures ont servi de masques pour l’apprentissage supervisé à l’aide des réseaux convolutifs Unet et Unet++. Crédit: Astronomie & Astrophysique (2022). DOI : 10.1051/0004-6361/202244103
La formation d’étoiles dans les galaxies a lieu dans des filaments composés de gaz (principalement d’hydrogène) et de petites particules solides appelées poussières interstellaires, qui sont principalement du carbone. Selon l’emplacement de ces filaments et leurs propriétés physiques (densité, température), ils peuvent être difficiles à détecter dans les données. En particulier, les filaments de faible densité ou situés dans des zones de très forte émission ne sont généralement pas détectés.
Dans une approche innovante et approche interdisciplinaireune équipe dans laquelle sont impliqués des laboratoires du CNRS, a testé l’intérêt de l’apprentissage automatique supervisé pour tenter de détecter filaments situé dans le plan de notre galaxie. Cette approche est basée sur les résultats existants de détection de filaments à l’aide de méthodes d’extraction classiques.
Les filaments extraits sont utilisés pour entraîner des réseaux convolutifs de type Unet et Unet++. Le modèle entraîné apprend à reconnaître les filaments et permet ensuite aux chercheurs de créer une image du plan galactique dans laquelle chaque pixel est représenté par sa probabilité (entre 0 et 1) d’appartenir à la classe de filaments apprise.
Les résultats de la démarche d’apprentissage montrent que cette méthode permet de détecter des filaments qui n’étaient pas identifiés auparavant par les méthodes de détection usuelles. De nouveaux filaments sont détectés et peuvent être confirmés par une approche empirique utilisant des données disponibles à d’autres longueurs d’onde qui ne sont actuellement pas utilisées dans le processus d’apprentissage.
Les résultats sont publiés dans la revue Astronomie & Astrophysique.
L’objectif de ce projet, appelé BigSF, est d’étudier formation d’étoiles dans notre galaxie en combinant la grande quantité de données disponibles avec l’apprentissage automatique.
Plus d’information:
A. Zavagno et al, Apprentissage automatique supervisé sur les filaments galactiques, Astronomie & Astrophysique (2022). DOI : 10.1051/0004-6361/202244103
Citation: Detecting galactic filaments with machine learning (2023, 23 janvier) récupéré le 23 janvier 2023 sur https://phys.org/news/2023-01-galactic-filaments-machine.html
Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.
