A Graph Attention Network Framework for Simultaneous Prediction of Galaxy and Dark Matter Halo Properties in GAMA DR4

Diep in de kosmos houdt een onzichtbaar steigerwerk het zichtbare universum bij elkaar. Dit onzichtbare raamwerk is gemaakt van donkere materie, een mysterieuze substantie die geen licht uitzendt maar een krachtige zwaartekracht uitoefent. Astronomen weten dat het bestaat omdat sterrenstelsels te snel draaien om alleen door de sterren en gassen die we kunnen zien bij elkaar te worden gehouden. Deze sterrenstelsels leven binnen uitgestrekte, bolvormige wolken van deze donkere materie, bekend als halo's. Het begrijpen van de relatie tussen een sterrenstelsel en zijn huis van donkere materie is cruciaal voor het in kaart brengen van de geschiedenis van het universum, maar het direct meten van de massa van deze onzichtbare halo's is ongelooflijk moeilijk. Wetenschappers vertrouwen al lang op complexe computersimulaties of indirecte methoden die vaak de rommelige, onderling verbonden realiteit negeren van hoe sterrenstelsels zich daadwerkelijk in de ruimte bevinden.

Een team onderzoekers van het Indian Institute of Technology Patna heeft een nieuwe manier ontwikkeld om dit puzzelstuk op te lossen met behulp van een type kunstmatige intelligentie dat ontworpen is om relaties te begrijpen. In plaats van elk sterrenstelsel als een geïsoleerd eiland te behandelen, bouwden ze een digitale kaart waar elk sterrenstelsel een punt is dat verbonden is met zijn buren, vergelijkbaar met een sociaal netwerk waarbij de kracht van een verbinding afhangt van fysieke nabijheid en gedeeld lidmaatschap van een groep. Ze trainden dit systeem, dat ze GAMANet noemen, op een enorme collectie echte waarnemingen van de GAMA-survey, een project dat honderdduizenden sterrenstelsels nauwgezet heeft gecatalogiseerd. Door de AI gegevens te voeren over het licht, de kleur, de grootte en de beweging van bijna 20.000 sterrenstelsels, leerde het model drie belangrijke eigenschappen gelijktijdig te voorspellen: de massa van de sterren van het sterrenstelsel, hoe snel het nieuwe sterren vormt, en de totale massa van de onzichtbare donkere materie-halo die het sterrenstelsel omringt.

De onderzoekers keken niet alleen naar individuele sterrenstelsels; ze leerden de computer om aandacht te besteden aan de buurt. In hun systeem is een sterrenstelsel niet alleen een verzameling van zijn eigen kenmerken, maar een knooppunt in een web van verbindingen. De AI leerde dat een massief centraal sterrenstelsel in een cluster meer informatie kan bevatten over de lokale donkere materie dan een klein, eenzaam satellietstelsel. Om dit aan te pakken, gebruikten ze een specifiek type neuraal netwerk dat verschillende niveaus van belang toekent aan elke buur, waardoor het effectief beslist welke naburige sterrenstelsels het meest relevant zijn voor het doen van een voorspelling. Deze aanpak stelde het model in staat om de subtiele omgevingsfactoren die de evolutie van sterrenstelsels beïnvloeden, zoals of ze deel uitmaken van een nauwe groep of zweven in de open ruimte, te vangen.

Wanneer getest op data die het nog nooit eerder had gezien, presteerde het model met opmerkelijke nauwkeurigheid. Het voorspelde de massa van de donkere materie-halo's met een hoge mate van precisie en ving meer dan 95 procent van de variaties in de data. Het was zelfs nauwkeuriger bij het voorspellen van de massa van de sterren binnen de sterrenstelsels en de snelheid waarmee zij nieuwe sterren vormen. Deze resultaten zijn significant omdat het model volledig werd getraind op echte observationele data van de hemel, in plaats op gesimuleerde universums die door computers zijn gecreëerd. Dit betekent dat de bevindingen de werkelijke complexiteit van het echte universum weerspiegelen, inclusief de imperfecties en onzekerheden die inherent zijn aan metingen in de echte wereld. De studie suggereert dat de massa van een donkere materie-halo fundamenteel een eigenschap op groepsniveau is, wat betekent dat om het verborgen gewicht van een sterrenstelsel te begrijpen, men naar de hele familie van sterrenstelsels moet kijken waartoe het behoort, en niet alleen naar het sterrenstelsel zelf.

Het succes van deze methode benadrukt een verschuiving in hoe astronomen big data benaderen. Door het universum te representeren als een graaf waarbij relaties even belangrijk zijn als de objecten zelf, waren de onderzoekers in staat om informatie te extraheren die traditionele methoden vaak missen. De interne analyse van het model toonde aan dat het geleerd had om verschillende soorten sterrenstelsels te onderscheiden, waarbij het die met oudere, roodere sterren scheidde van die met jongere, blauwere sterren, puur op basis van de patronen in de data. Het leek zelfs details te af te leiden over de beweging van sterren binnen sterrenstelsels, een eigenschap waar het nooit expliciet naar gevraagd werd, simpelweg door de omgeving te analyseren. Hoewel het huidige systeem vereist dat de volledige dataset in één keer in het geheugen wordt geladen, wat het directe gebruik voor toekomstige, massale surveys beperkt, bewijst het werk dat graafgebaseerd leren een krachtig hulpmiddel is voor het decoderen van het kosmische web. Het biedt een nieuwe, directe weg naar het begrijpen van de onzichtbare architectuur die het zichtbare universum vormgeeft, en verandert een chaotische verzameling sterren in een samenhangend verhaal van kosmische structuur.