Ein aktuelle Forschung hat ergeben, dass Galaxien in dichteren Umgebungen tendenziell deutlich größer sind als isolierte Galaxien, was bestehende Theorien zur Galaxienbildung in Frage stellt. Diese Entdeckung wurde durch maschinelles Lernen und umfangreiche Daten von Millionen von Galaxien ermöglicht. Die Ergebnisse werfen neue Fragen zur Rolle von Dunkler Materie und Galaxienfusionen bei der Gestaltung des Kosmos auf.
Galaxien in dichten vs. isolierten Umgebungen unterscheiden sich deutlich voneinander. Eine neue Studie hat herausgefunden, dass Galaxien mit mehr Nachbarn tendenziell größer sind als ihre Artgenossen, die ähnliche Form und Masse haben, aber in weniger dichten Umgebungen leben. Forscher an der University of Washington, Yale University, dem Leibniz-Institut für Astrophysik in Potsdam und der Waseda University in Japan berichten in einer am 14. August im Astrophysical Journal veröffentlichten Arbeit, dass Galaxien, die in dichteren Regionen des Universums gefunden werden, um bis zu 25% größer sind als isolierte Galaxien.
Die Forschung, die ein neues maschinelles Lernwerkzeug verwendete, um Millionen von Galaxien zu analysieren, hilft bei der Lösung eines langjährigen Streits unter Astrophysikern über die Beziehung zwischen der Größe einer Galaxie und ihrer Umgebung. Die Ergebnisse werfen auch neue Fragen darüber auf, wie Galaxien sich über Milliarden von Jahren bilden und weiterentwickeln.
Vergangene Studien, die die Beziehung zwischen Galaxiengröße und Umgebung untersuchten, lieferten widersprüchliche Ergebnisse. Einige kamen zu dem Schluss, dass Galaxien in Clustern kleiner waren als isolierte Galaxien, andere zu dem gegenteiligen Ergebnis. Diese Studien basierten im Allgemeinen auf Beobachtungen von Hunderten oder Tausenden von Galaxien. In dieser neuen Studie nutzten Ghosh und seine Kollegen eine Umfrage von Millionen von Galaxien, die mit dem Subaru-Teleskop auf Hawaii durchgeführt wurden.
Das maschinelle Lernwerkzeug, das in dieser Studie verwendet wurde, heißt GaMPEN – oder Galaxy Morphology Posterior Estimation Network. Ursprünglich von Ghosh als Doktorand an der Yale University entwickelt, kann das Tool online frei verwendet werden und für die Analyse anderer großer Umfragen angepasst werden.