NGC 7733 og NGC 7734, to bjælkekantede spiralgalakser, smelter i øjeblikket sammen. Den nedre galakse har en støvet knude på sin øvre arm, hvilket indikerer en tredje galaktisk følgesvend. Interstellare skyer i gamle galakser indeholder ofte kulstof. Ved at opdage og spore disse kulstofpletter, kendt som neutrale kulstofabsorbenter, får astronomer værdifuld indsigt i galaksers evolution. Men det er en udfordrende og krævende opgave at opdage neutrale kulstofabsorbenter, og det involverer typisk identifikation af de karakteristiske absorptionslinjer af kulstof i en galakses emitterede lyspektrum. Ud af millioner af galakser er kun et par dusin kendt for at have disse absorberende. Dette åbner mulighed for AI, specifikt en dyb neuralt netværk. For nylig trænede forskere et neuralt netværk ved hjælp af spektroskopidata fra galakser indsamlet for ti år siden. Bemærkelsesværdigt opdagede de over hundrede nye galakser med neutrale kulstofabsorbenter. Hvordan opnåede de dette?Med tanke på mangel på kendte absorberende genererede forskerne et datasæt med 5 millioner syntetiske spektre.

Dette datasæt fungerede som træningsdata for det neurale netværk og instruerede det i de subtile mønstre, der ofte er umærkelige for det menneskelige øje. Forskerne anvendte derefter det trænede neurale netværk på data fra Sloan Digital Sky Survey III. Som et resultat identificerede de neutrale kulstofabsorbenter i 107 galakser, der tidligere var ukendte som havende disse egenskaber. Hvad nu? Kulstof fungerer som en indikator for en bestemt fase i galaktisk evolution og antyder hurtige transformationer og produktionen af ​​elementer udover hydrogen og helium. Tilstedeværelsen af ​​kulstof i en galakse kan betyde udviklingen af ​​en skive, der ligner Mælkevejen. Desuden stammer de nyidentificerede kulstoffattige galakser tilbage til cirka 10, 8 milliarder år, hvilket gør denne opdagelse særlig interessant med hensyn til universets tidlige historie. Astronomi giver en ideel mulighed for at udnytte AI-metoder. Med den overvældende mængde astronomiske data er det upraktisk for mennesker at analysere den manuelt inden for en rimelig tidsramme, især når der søges efter små mønstre. Jian Ge, astronom ved Kinas Shanghai Astronomical Observatory, understregede behovet for innovative AI-algoritmer, der effektivt og omfattende kan udforske sjældne og svage signaler i store astronomiske datasæt.