Звездообразование в галактиках происходит с помощью нитей, состоящих из газа (в основном водорода) и мелких твердых частиц межзвёздной пыли. Иногда нити бывает очень трудно обнаружить. Это зависит от их расположения и физических свойств (плотность, температура). В частности, нити низкой плотности и нити, расположенные в областях с очень высоким уровнем излучения, как правило, не определяются.
Команда учёных совместно с лабораториями CNRS решила использовать машинное обучение, чтобы попытаться обнаружить нити, расположенные в плоскости нашей галактики. Этот подход основан на существующих результатах обнаружения нитей с использованием классических методов экстракции.
Извлечённые нити используются для сетей типа Unet и Unet++. Обученная модель учится распознавать нити, а затем позволяет исследователям создавать изображение плоскости галактики, в котором каждый пиксель представлен вероятностью (от 0 до 1) принадлежности к изученному классу нитей.
Результаты подхода к обучению показывают, что этот метод может обнаруживать нити, которые ранее не были идентифицированы обычными методами. Новые нити могут быть подтверждены эмпирическим подходом с использованием данных, доступных на других длинах волн, которые в настоящее время не используются в процессе обучения.
Результаты исследования опубликованы в журнале Astronomy & Astrophysics.
Целью этого проекта, получившего название BigSF, является изучение звездообразования в нашей галактике путем объединения большого объема доступных данных с машинным обучением.
По информации https://www.astronews.ru/cgi-bin/mng.cgi?page=news&news=20230124114327
Обозрение "Terra & Comp".
