5月15日，中国科学院上海天文台研究员葛健带领的国际团队，运用深度学习方法，对国际斯隆巡天三期释放的类星体光谱数据进行了微弱信号搜寻和数据分析，发现了稀少的107例宇宙早期星系内的冷气体云块成分的关键探针中性碳吸收体，为探索星系如何形成和演化提供了新的研究方式，展现了人工智能在天文海量数据中探寻微弱信号的应用前景。相关研究发表于《皇家天文学会月报》。
研究冷气体和尘埃对剖析星系形成和演化至关重要，为天文学家探讨星系从“最初组装”到恒星形成时期的剧烈变化，再到演化后期的整个星系生命周期提供了关键手段。中性碳吸收线可作为有效探针来跟踪气体和尘埃成分。而这些中性碳吸收线的信号微弱且稀少，需要在海量的类星体光谱数据中才能找到。
研究团队设计了深度学习神经网络，并使用基于实际观测的中性碳吸收线特征的大量仿真样本进行训练，进而利用被“训练好”的神经网络在斯隆巡天三期释放的数据中搜寻中性碳吸收体。
分析发现，在宇宙只有约30亿年的年龄时，这些携带中性碳吸收体探针的早期星系已经过快速物理和化学演化，进入介于大麦哲伦矮星系和银河系之间的物理和化学演化状态。此时，大量金属产生，同时部分金属被吸附到尘埃上，产生可观测到的尘埃红化结果。这验证了近期詹姆斯·韦伯太空望远镜在宇宙最早的恒星中探测到类似钻石的碳尘埃的新发现，预示着部分星系的演化比预期要快得多，挑战了现有的星系形成和演化模型。
艺术想象图。图片来源于中国科学院上海天文台
相关论文信息：https://doi.org/10.1093/mnras/stae799
新浪科技公众号
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
