Bijna een eeuw geleden berekende astronoom Fritz Zwicky voor het eerst de massa van de Coma-cluster, een opeenhoping van krap duizend sterrenstelsels op 320 miljoen lichtjaar afstand.
Zijn metingen, en die van latere onderzoekers, werden echter geplaagd door allerlei foutbronnen die de massa hoger of lager deden uitvallen.
Een team onder leiding van natuurkundigen van de Carnegie Mellon University (VS) heeft nu een methode ontwikkeld om de massa van de Coma-cluster nauwkeurig te schatten met behulp van ‘machinaal leren’, een techniek die op allerlei terreinen met succes wordt toegepast om patronen op te sporen in complexe gegevens.
Sinds een jaar of tien wordt machinaal leren ook toegepast op kosmologische gegevens. Bij hun berekening van de massa van de Coma-cluster maakten Zwicky en anderen gebruik van dynamische massametingen.
Daarbij worden de bewegingen van objecten die in en rond de cluster cirkelen bestudeerd, om vervolgens met behulp van de wet van de zwaartekracht de massa van de cluster te berekenen.
Deze methode is echter gevoelig voor allerlei fouten. Clusters van sterrenstelsels komen geregeld in botsing met elkaar en smelten samen, waardoor de bewegingen van de betrokken sterrenstelsels aan verstoringen onderhevig zijn.
En omdat astronomen zo’n cluster van grote afstand waarnemen, bevinden zich nog tal van andere objecten tussen ons en de cluster in die zich gedragen alsof ze tot de cluster behoren.
Ook dat heeft invloed op de massabepaling. Postdoc Matthew Ho en zijn collega’s hebben nu een nieuwe methode ontwikkeld die gebaseerd is op convolutionele neutrale netwerken, een deep-learning algoritme dat wordt toegepast bij beeldherkenning.
De wetenschappers ‘trainden’ hun model door het te voeden met uitkomsten van kosmologische simulaties van het heelal.
Het model leerde door te kijken naar de waarneembare kenmerken van duizenden clusters waarvan de massa al bekend is.
Vervolgens paste Ho het model toe op een cluster waarvan de werkelijke massa nog niet niet goed bekend is: de Coma-cluster dus.
De uitkomst is in goede overeenstemming met de meeste massaschattingen die sinds de jaren 80 zijn gedaan.
Volgens Ho toont dat aan dat machine learning een heel nuttig hulpmiddel kan zijn in de kosmologie.
Hij zal zijn waarde vooral gaan bewijzen wanneer de resultaten van toekomstige instrumenten zoals het Dark Energy Spectroscopic Instrument, het Vera C. Rubin Observatory en de Euclid-satelliet een enorme stroom aan spectroscopische gegevens gaan produceren. (EE)
(Image Credit: NASA, ESA & Hubble Heritage Team (STScI/AURA))
