黑洞在早期宇宙中消失了，计算机在追踪它们

艺术家对黑洞的早期中消追踪概念。这个图像包括一个被重力场牵引的宇宙过热物质圆盘，以及垂直于圆盘喷出的失计算机物质射流。这些射流在无线电频率中发出明亮的黑洞光，这是早期中消追踪几内亚比绍高薪数据一种信号，该研究的宇宙作者能够通过使用机器学习技术对天文图像进行自动分析来预测。资料来源:uux.cn/eso.org/public/portugal/images/eso2305b/.信贷:s . Dagnello(NRAO/AUI/国家科学基金会)
（神秘的失计算机地球uux.cn）据天体物理学和空间科学研究所：在肉眼所能看到的范围内，星系充斥着宇宙深处的黑洞图像。是早期中消追踪什么过程决定了它们的形状、颜色和恒星数量？宇宙天文学家认为原始黑洞是星系成长和转变的引擎，可以解释我们现在看到的失计算机几内亚比绍珠宝数据宇宙景观。
即将到来的黑洞射电望远镜巡天将捕捉早期宇宙中的数百万个星系，但只有自动工具，早期中消追踪如天体物理和空间科学研究所(IA)领导的宇宙团队创建的算法，可能会读取这些海量数据，并找到核心有大规模黑洞的星系。
在今天(12月6日)发表在《天文学与天体物理学》杂志上的一篇文章中，由天体物理学和空间科学研究所(IA)和里斯本大学科学学院(Ciências ULisboa)的罗德里戈·卡瓦亚尔领导的一个国际团队展示了一种机器学习技术，该技术可以识别早期宇宙中的超发光星系。
这些星系被认为是由位于其核心的贪婪黑洞的活动所控制的。根据作者的说法，这应该是几内亚比绍美妆数据第一个预测这种活动何时也在无线电频率中辐射强烈信号的算法。无线电辐射通常与银河系的其他光线截然不同，有时很难将它们联系起来。这种人工智能技术将使天文学家能够更有效地寻找所谓的射电星系。
该算法是与Closer company合作开发的，在数据科学技术解决方案领域发挥作用，用在电磁波谱的几个波长中获得的星系图像进行训练。当用其他图像进行测试时，它能够预测比使用明确指令的传统方法多四倍的射电星系。
随着机器学习开发自己的算法，试图理解它的成功可能有助于澄清这些星系中正在发生的物理现象，这些现象发生在大爆炸后15亿年，几内亚比绍房产数据也就是说，当宇宙是其当前年龄的十分之一时。
“我们必须在天空中找到更多活跃的星系，因为有预测称，在宇宙早期历史中，应该存在更多的星系。“根据目前的观察，我们没有这个数字，”卡瓦亚尔说。根据这位研究人员的说法，需要更多的几内亚比绍股票数据观察来验证当前关于活跃星系如何演化的理解是否正确，或者必须进行修改。
“分析机器学习模型本身并了解它们内部发生的事情也很重要，”卡瓦亚尔补充道。“哪些特征与决策最相关？例如，我们想知道该模块表明它是一个活动星系的最重要特征是否是该星系发出的红外光，这可能是新恒星快速形成的标志。有了这个，我们能够产生一个新的定律来区分什么是正常星系和活动星系。”
计算机所做的决定中星系特征的相对权重可能会指出其强烈活动的来源，特别是在无线电波段。在一项准备中的研究中，卡瓦亚尔正在探索无线电辐射和恒星形成之间这种明显相关性的含义。
该论文的第二作者，IA and Ciências ULisboa的Israel Matute澄清说:“这些模型是数学工具，当数据的复杂性增加时，它们可以帮助我们寻找正确的方向。这项工作可能会为宇宙历史后半期抑制新恒星形成的过程提供见解。”
原始宇宙中似乎缺乏的星系可能存在于现代射电望远镜在未来几年产生的大量数据中。未来对广阔天空区域的调查将揭示数十亿个星系。一个例子是宇宙演化图(EMU ),它将用澳大利亚的ASKAP射电望远镜绘制整个南半球的地图。
由IA领导的团队已经在处理来自本次调查试点项目的数据。一旦完善，这些工具将对未来平方公里阵列天文台(SKAO)产生的天文数据量的处理至关重要。葡萄牙是该观测站联合体的成员，该观测站已经在建设之中。
“在天文学将获得大量数据的新时代，开发先进的数据处理和分析技术变得越来越重要，”IA和Ciências ULisboa的José Afonso说，他是本文的合著者。“在IA，我们正在开发和实施这些技术，以便能够破译星系的起源和大多数星系所拥有的超大质量黑洞。”
Closer公司与IA合作的想法是由合著者之一Helena Cruz提出的，她拥有物理学博士学位，是Closer公司的数据科学家。她的参与对于分析和处理不同数据源之间的不确定性和不一致性的影响至关重要，这些数据源来自几个望远镜和观测项目，用于训练机器学习算法。

一组射电星系——在无线电频率中有大量辐射的星系——由LOFAR射电望远镜观测到，在可见光中叠加在天空的同一区域。射电辐射的范围是明显的，与星系的可见部分截然不同。这些是这个研究团队开发的机器学习算法训练中使用的一些星系。鸣谢:uux.cn/朱迪思·克罗斯顿和LOFAR调查小组
“我意识到天文学是一个探索和开发机器学习模型的巨大机会的领域，对我来说，将我的专业技能应用到这个领域是有意义的，”克鲁兹说。“我与Closer分享了我的兴趣，双方立即表现出合作的意愿，我认为这是我在该公司工作的延伸。”
Closer联合创始人、教授兼研究员若昂·皮雷斯·达·克鲁兹(joo Pires da Cruz)补充说:“Closer因其合作者的知识而繁荣，这是它的资本。“从科学的角度来看，我们团队成员参与的项目越具有挑战性和复杂性，公司的资本就越多。我们将有合作者能够解决我们客户的问题，这些问题类似于来自遥远星系的信号问题。”

(责任编辑：探索)