Konsep artis tentang lubang hitam. Representasi ini mencakup piringan material yang terlalu panas yang ditarik oleh medan gravitasi, dan juga pancaran material yang dimuntahkan secara tegak lurus ke piringan tersebut. Jet-jet ini bersinar terang dalam frekuensi radio, sebuah sinyal yang dapat diprediksi oleh penulis penelitian ini dari analisis otomatis gambar astronomi menggunakan teknik pembelajaran mesin. Kredit: S. Dagnello (NRAO/AUI/NSF)
Survei langit teleskop radio yang akan datang akan dilakukan untuk mengamati jutaan galaksi awal alam semesta. Namun, untuk menangani aliran data yang sangat besar ini, alat otomatis sangatlah penting. Algoritme yang dikembangkan oleh tim dari Institute of Astrophysics and Space Sciences (IA) di Fakultas Sains, Universitas Lisbon di Portugal, dirancang untuk memproses data ini dan mengidentifikasi galaksi yang menyimpan lubang hitam besar di pusatnya.
Sejauh mata memandang, galaksi memenuhi gambaran alam semesta yang dalam. Proses apa yang menentukan bentuk, warna, dan populasi bintang? Para astronom berpendapat bahwa lubang hitam purba adalah mesin pertumbuhan dan transformasi galaksi dan dapat menjelaskan lanskap kosmik yang kita lihat sekarang.
Sebuah Terobosan dalam Mengidentifikasi Galaksi Superluminous
Dalam sebuah artikel yang baru-baru ini diterbitkan di jurnal Astronomi & Astrofisika, sebuah tim internasional yang dipimpin oleh Rodrigo Carvajal, dari Institute of Astrophysics and Space Sciences (IA) dan Fakultas Sains Universitas Lisbon (Ciências ULisboa), menyajikan sebuah pembelajaran mesin teknik yang mengenali galaksi superluminous di alam semesta awal.
Galaksi-galaksi ini diduga didominasi oleh aktivitas yang rakus lubang hitam pada intinya. Menurut penulis, ini harus menjadi algoritma pertama yang memprediksi kapan aktivitas ini juga memancarkan sinyal kuat pada frekuensi radio. Emisi radio seringkali berbeda dengan cahaya lain di galaksi, dan terkadang sulit untuk menghubungkannya. Teknik kecerdasan buatan ini akan memungkinkan para astronom menjadi lebih efektif dalam mencari apa yang disebut galaksi radio.
Kumpulan galaksi radio – galaksi dengan emisi frekuensi radio yang signifikan – diamati dengan teleskop radio LOFAR, ditumpangkan pada wilayah langit yang sama dalam cahaya tampak. Besarnya pancaran radio terlihat jelas, berbeda dengan bagian galaksi yang terlihat. Inilah beberapa galaksi yang digunakan dalam pelatihan algoritma pembelajaran mesin yang dikembangkan oleh tim peneliti ini. Kredit: Judith Croston dan tim survei LOFAR
Algoritme, yang dikembangkan dengan kolaborasi perusahaan Closer, yang bertindak di sektor solusi teknologi untuk ilmu data, dilatih dengan gambar galaksi yang diperoleh dalam beberapa panjang gelombang spektrum elektromagnetik. Saat diuji dengan gambar lain, metode ini mampu memprediksi galaksi radio empat kali lebih banyak dibandingkan metode konvensional yang menggunakan instruksi eksplisit. Saat pembelajaran mesin mengembangkan algoritmenya sendiri, mencoba memahami keberhasilannya dapat membantu memperjelas fenomena fisik yang terjadi di galaksi-galaksi ini, 1,5 miliar tahun setelahnya. Dentuman Besaryaitu ketika Alam Semesta berumur sepersepuluh dari usianya saat ini.
Pentingnya Penelitian dan Analisis Lebih Lanjut
“Kita harus menemukan lebih banyak galaksi aktif di langit, karena ada prediksi bahwa akan ada lebih banyak galaksi di awal sejarah alam semesta. Dengan observasi saat ini kami tidak memiliki angka tersebut,” kata Rodrigo Carvajal. Menurut peneliti ini, diperlukan lebih banyak observasi untuk memverifikasi apakah pemahaman saat ini tentang bagaimana galaksi aktif berevolusi benar, atau harus diubah.
“Penting juga untuk menganalisis model pembelajaran mesin itu sendiri dan memahami apa yang terjadi di dalamnya,” tambah Carvajal. “Fitur manakah yang paling relevan dengan keputusan tersebut? Misalnya, kita ingin mengetahui apakah fitur terpenting yang membuat modul tersebut dinyatakan sebagai galaksi aktif adalah cahaya yang dipancarkan galaksi dalam inframerah, yang mungkin merupakan indikasi cepatnya pembentukan bintang-bintang baru. Dengan ini, kami dapat menghasilkan hukum baru untuk memisahkan antara galaksi normal dan galaksi aktif.”
Menyelidiki Peran Emisi Radio dan Pembentukan Bintang
Bobot relatif fitur-fitur galaksi terhadap keputusan yang diambil oleh komputer mungkin menunjukkan apa yang menjadi asal mula aktivitas intensnya, khususnya di pita radio. Dalam studi persiapannya, Carvajal sedang mengeksplorasi implikasi dari ketergantungan antara emisi radio dan pembentukan bintang. Israel Matute, dari IA dan Ciências ULisboa, penulis kedua makalah ini, menjelaskan: “Model-model ini adalah alat matematika yang membantu kita melihat ke arah yang benar ketika kompleksitas data meningkat. Penelitian ini mungkin memberikan wawasan tentang proses yang menghambat pembentukan bintang-bintang baru di paruh kedua sejarah alam semesta.”
Contoh wilayah langit yang termasuk dalam Sloan Digital Sky Survey (SDSS) yang luas, yaitu pemetaan langit yang dilakukan dengan beberapa teleskop dalam cahaya tampak dan inframerah. Gambar dari survei ini, dari bagian langit yang juga diamati pada frekuensi radio, digunakan oleh penulis penelitian ini untuk menguji algoritma pembelajaran mesin. Mereka menunjukkan kemanjurannya dalam mendeteksi galaksi aktif dan memprediksi emisi radionya. Kredit: Survei Langit Digital Sloan
Galaksi-galaksi yang tampaknya tidak ada di alam semesta purba mungkin memiliki sejumlah besar data yang akan dihasilkan oleh teleskop radio modern di tahun-tahun mendatang. Survei masa depan terhadap wilayah langit yang luas akan mengungkap miliaran galaksi. Salah satu contohnya adalah Evolutionary Map of the Universe (EMU), yang akan memetakan seluruh belahan bumi selatan dengan teleskop radio ASKAP, di Australia. Tim yang dipimpin oleh IA sudah mengerjakan data dari proyek percontohan survei ini. Setelah disempurnakan, alat-alat ini akan sangat penting untuk pemrosesan sejumlah data astronomis yang akan dihasilkan oleh Square Kilometer Array Observatory (SKAO) di masa depan. Portugal adalah anggota konsorsium observatorium yang sedang dibangun ini.
“Di era baru ketika astronomi memiliki akses terhadap data dalam jumlah besar, pengembangan teknik canggih untuk pemrosesan dan analisisnya menjadi semakin penting,” kata José Afonso, dari IA dan Ciências ULisboa dan salah satu penulis makalah ini. “Di IA kami sedang mengembangkan dan menerapkan teknik-teknik ini, untuk dapat menguraikan asal usul galaksi dan lubang hitam supermasif yang sebagian besar menjadi tempat tinggalnya.”
Ide kolaborasi antara perusahaan Closer dan IA dikemukakan oleh salah satu rekan penulis, Helena Cruz, yang memegang gelar PhD di bidang Fisika dan merupakan ilmuwan data di Closer. Keterlibatannya adalah kunci untuk menganalisis dan memproses dampak ketidakpastian dan inkonsistensi antara berbagai sumber data – yang berasal dari beberapa teleskop dan program observasi – yang digunakan untuk melatih algoritme pembelajaran mesin.
“Saya menyadari bahwa Astronomi adalah bidang yang memiliki peluang besar untuk eksplorasi dan pengembangan model pembelajaran mesin, dan masuk akal bagi saya untuk menerapkan keterampilan profesional saya pada bidang ini,” kata Helena Cruz. “Saya menyampaikan ketertarikan saya pada Closer dan kedua belah pihak segera menunjukkan kesediaan mereka untuk berkolaborasi, yang saya lihat sebagai perpanjangan dari pekerjaan saya di perusahaan.”
“Closer berkembang pesat dari pengetahuan para kolaboratornya, inilah modalnya,” tambah João Pires da Cruz, salah satu pendiri, profesor, dan peneliti Closer. “Semakin menantang dan canggih dari sudut pandang ilmiah proyek yang melibatkan anggota tim kami, semakin besar pula modal perusahaan. Kami akan memiliki kolaborator yang mampu memecahkan masalah klien kami yang serupa dengan masalah sinyal dari galaksi jauh.”
Referensi: “ Pemilihan galaksi radio yang kuat dengan pembelajaran mesin ” oleh R. Carvajal, I. Matute, J. Afonso, RP Norris, KJ Luken, P. Sanchez-Saez, PAC Cunha, A. Humphrey, H. Messias, S. Amarantidis, D. Beard, HA Cruz, H. Miranda, A. Paulino-Afonso dan C. Pappalardo, 6 Desember 2023, Astronomi & Astrofisika.
DOI: 10.1051/0004-6361/202245770
