ASTERIS AI tredubblar antalet tidiga galaxer som upptäcks i JWST-data

Vad är ASTERIS och hur fungerar det?

ASTERIS är ett självövervakat AI-ramverk designat för att förbättra astronomisk bildbehandling genom att filtrera bort spatiotemporalt brus som döljer de svagaste signalerna i rymden. Det har utvecklats av forskare som Hao Zhang, Xiaojing Lin och Xinyang Li vid Tsinghua University, och använder en transformatorbaserad arkitektur för att identifiera och korrigera korrelerade brusmönster över flera exponeringar utan att kräva förmärkt träningsdata.

Astronomer har länge kämpat mot brusgolvet vid avbildning av rymden, vilket ofta döljer de svagaste signalerna från det tidiga universum. Detta brus är inte bara slumpmässigt; det är ofta korrelerat mellan närliggande bildpixlar och över sekventiella exponeringar. Traditionella tekniker för brusreducering har ofta svårt att bevara fotometrisk noggrannhet eller punktöverföringsfunktionen (PSF), vilket potentiellt kan skapa artefakter som ser ut som himlakroppar. Genom att behandla bildsekvenser som en 3D-spatiotemporal volym lär sig ASTERIS den underliggande brusstrukturen hos själva teleskopet, vilket gör att det kan "se" genom de störningar som begränsar nuvarande observatorier.

Arkitekturen i ASTERIS representerar ett betydande skifte mot specialiserad maskinintelligens, vilket speglar den effektivitet och anpassningsförmåga som finns inom AGI-forskning. Genom att använda en metod för självövervakat lärande behöver algoritmen ingen "ren" referensbild att lära sig från. Istället använder den den interna konsistensen i själva den astronomiska datan för att skilja mellan fysiska signaler – som avlägsna stjärnor och galaxer – och sensorns systematiska brus. Denna förmåga gör den till ett idealiskt verktyg för att bearbeta de enorma, omärkta dataset som för närvarande genereras av James Webb-teleskopet (JWST).

Hur många fler avlägsna galaxer kan ASTERIS upptäcka?

ASTERIS-algoritmen har visat förmågan att tredubbla antalet detekterbara galaxkandidater med hög rödförskjutning i befintliga dataset från James Webb-teleskopet. Specifikt, när verktyget applicerades på djupa JWST-bilder, identifierade det tre gånger fler galaxkandidater vid rödförskjutning > 9, vilket representerar universum bara några hundra miljoner år efter Big Bang.

Denna massiva ökning av detektioner är möjlig eftersom ASTERIS återställer strukturer med låg ytljusstyrka som tidigare var begravda under brusgolvet. I studien fann forskarna att de nyligen identifierade galaxerna var ungefär 1,0 magnitud svagare i sin ultravioletta luminositet i viloläget än de som hittats med tidigare bearbetningsmetoder. Detta språng i känslighet flyttar effektivt gränserna för det "observerbara" universum, vilket gör det möjligt för kosmologer att fylla i luckorna i den kosmiska gryningen.

Effekterna av denna ökade detektionsgrad inkluderar:

• Utökade urvalsstorlekar: Större populationer av tidiga galaxer möjliggör mer robust statistisk analys av tidig galaxbildning.
• Återställning av svagare signaler: Detektion av dvärggalaxer i det tidiga universum som tidigare var osynliga.
• Förbättrad renhet: Att bibehålla 90 % fullständighet och renhet säkerställer att de "nya" galaxerna är verkliga fysiska objekt snarare än brusartefakter.

Vad innebär en förbättring av detektionsdjupet med 1,0 magnitud?

Inom astronomiska termer innebär en förbättring med 1,0 magnitud att ett teleskop kan upptäcka objekt som är cirka 2,5 gånger svagare än dess tidigare tekniska gräns. Eftersom den astronomiska magnitudskalan är logaritmisk representerar en förbättring i ett enda steg ett massivt språng i ljusinsamlingseffektivitet, vilket effektivt förlänger ett teleskops "räckvidd" utan att kräva längre exponeringstider.

Denna ökning med 1,0 magnitud som uppnåtts av ASTERIS är ett transformativt mätvärde för observationell kosmologi. Vanligtvis skulle det krävas en betydande ökning av den totala observationstiden för att nå ett sådant djup – ofta en fördubbling eller tredubbling av de nödvändiga timmarna på ett konkurrensutsatt instrument som JWST. Genom att uppnå detta djup via självövervakad spatiotemporal brusreducering kan forskare i princip extrahera "gratis" data från befintliga observationer, vilket gör varje sekund av teleskoptid mer produktiv.

Bevarandet av fotometrisk noggrannhet under denna process är avgörande. Om en algoritm reducerar brus men ändrar galaxens ljusstyrka eller form blir datan oanvändbar för vetenskaplig mätning. Jämförelser med syntetisk data bekräftade att ASTERIS bibehåller integriteten hos punktöverföringsfunktionen, vilket säkerställer att ljusprofilerna för stjärnor och galaxer förblir oförvrängda. Denna precision är vad som skiljer detta AI-drivna tillvägagångssätt från vanliga utjämningsfilter, och positionerar det som ett grundläggande verktyg för nästa generations AGI-assisterade vetenskapliga instrument.

Utmaningen med brusgolvet i modern astronomi

Det främsta hindret för djupare utforskning av rymden är inte längre bara spegelns storlek, utan det korrelerade bruset som är inneboende i moderna digitala sensorer. Dessa bruskällor – som sträcker sig från termiska fluktuationer till elektroniska störningar – efterliknar ofta utseendet av svaga, avlägsna galaxer. När astronomer försöker blicka längre tillbaka i tiden till det tidiga universum, är signalerna de söker så svaga att de ofta inte går att skilja från dessa bakgrundsfluktuationer.

Traditionella bildbehandlingskedjor förlitar sig på att stapla flera exponeringar för att medelvärdesbilda bort slumpmässigt brus, men detta tar inte hänsyn till brus som är korrelerat över tid och rum. Att nå djupare magnituder är avgörande för att studera hur de första stjärnorna och svarta hålen bildades. Utan nya metoder för att bryta igenom detta brusgolv skulle teleskop som Subaru-teleskopet och JWST förr eller senare nå en punkt med avtagande avkastning, där ytterligare observationstid inte längre ger nya upptäckter.

Introduktion till ASTERIS spatiotemporala transformator

ASTERIS utnyttjar kraften i transformatorbaserade modeller, som är utmärkta på att identifiera långväga beroenden i data. I sammanhanget för astronomisk bildbehandling är "beroendena" de brusmönster som upprepas över olika delar av sensorn eller vid olika tidpunkter under en observation. Genom att integrera spatiotemporal information bygger algoritmen en komplex modell av hur bruset ser ut, vilket gör att den kan subtrahera det bruset medan de unika, icke-upprepande signalerna från himlakroppar lämnas intakta.

Detta tillvägagångssätt representerar en stor evolution inom beräkningsoptik. Till skillnad från tidigare AI-modeller som tränades på specifika typer av galaxer, innebär den självövervakade naturen hos ASTERIS att den lär sig från det specifika dataset den för närvarande bearbetar. Denna flexibilitet är ett kännetecken för avancerad intelligens och visar hur AGI-principer kan tillämpas för att skapa högspecialiserade verktyg som inte lider av fördomar från existerande träningsset. Resultatet är ett robust, anpassningsbart system som fungerar över olika teleskop och filteruppsättningar.

Validering i den verkliga världen: Från Subaru till JWST

Forskarna validerade ASTERIS med hjälp av både syntetisk data och verkliga observationer från framstående mark- och rymdbaserade observatorier. I data från Subaru-teleskopet lyckades ASTERIS identifiera galaxstrukturer med låg ytljusstyrka och gravitationslinsade bågar som var helt osynliga i de ursprungligen bearbetade bilderna. Dessa särdrag är avgörande för att kartlägga fördelningen av mörk materia, som utgör den gravitationella ställningen för galaxer.

När metoden applicerades på James Webb-teleskopets djupfältsbilder blev resultaten ännu mer djupgående. Algoritmen identifierade en population av galaxer med rödförskjutning > 9 som tidigare toppmoderna system hade missat. Denna validering bevisar att algoritmen inte bara är en teoretisk förbättring utan ett praktiskt verktyg som omedelbart kan appliceras på nuvarande arkivdata för att ge nya vetenskapliga genombrott.

Framtida betydelse för kosmologin

Förmågan hos ASTERIS att flytta detektionsgränserna med en hel magnitud skulle i grunden kunna skriva om tidslinjen för tidig galaxbildning. Om universum var mer befolkat med svaga galaxer strax efter Big Bang än man tidigare trott, kommer våra modeller för kosmisk evolution att behöva justeras. Denna AI-drivna metod för brusreducering skulle också kunna appliceras på "historiska data" från äldre uppdrag som Hubble eller Spitzer, vilket potentiellt kan avslöja nya upptäckter i data som astronomer trodde att de redan hade tömt helt.

I takt med att området för artificiell intelligens fortsätter att utvecklas, suddas linjen mellan datainsamling och databearbetning ut. Framgången för ASTERIS signalerar en framtid där AI inte bara är ett sekundärt steg i analysen, utan en primär komponent i teleskopets synsystem. I denna nya era av AGI-förstärkt vetenskap kommer den begränsande faktorn i vår förståelse av universum inte längre att vara den fysiska hårdvara vi skickar upp i rymden, utan sofistikeringen hos de algoritmer vi använder för att tolka ljuset den fångar.