Dieselfde tegnologie wat gesigsherkenning en selfbesturende motors aandryf, kan binnekort 'n sleutelinstrument wees om die verborge geheime van die heelal te ontsluit.
Onlangse ontwikkelings in waarnemingsterronomie het gelei tot 'n ontploffing van data.
Kragtige teleskope versamel daagliks teragrepe data. Om soveel data te verwerk, moet wetenskaplikes nuwe maniere vind om verskeie take in die veld te outomatiseer, soos die meet van straling en ander hemelverskynsels.
Een besondere taak wat sterrekundiges gretig wil bespoedig, is die klassifikasie van sterrestelsels. In hierdie artikel gaan ons oor hoekom klassifikasie van sterrestelsels so belangrik is en hoe navorsers begin staatmaak het op gevorderde masjienleertegnieke om op te skaal namate die volume data toeneem.
Hoekom moet ons sterrestelsels klassifiseer?
Die klassifikasie van sterrestelsels, in die veld bekend as sterrestelselmorfologie, het in die 18de eeu ontstaan. Gedurende daardie tyd het sir William Herschel opgemerk dat verskeie 'newels' in verskillende vorms voorkom. Sy seun John Herschel het hierdie klassifikasie verbeter deur tussen galaktiese newels en nie-galaktiese newels te onderskei. Laasgenoemde van hierdie twee klassifikasies is wat ons ken en na verwys as sterrestelsels.
Teen die einde van die 18de eeu het verskeie sterrekundiges bespiegel dat hierdie kosmiese voorwerpe “ekstra-galakties” was en dat hulle buite ons eie Melkweg lê.
Hubble het 'n nuwe klassifikasie van sterrestelsels in 1925 bekendgestel met die bekendstelling van die Hubble-reeks, informeel bekend as die Hubble-stemvurk-diagram.
Hubble se volgorde het sterrestelsels in gereelde en onreëlmatige sterrestelsels verdeel. Die gereelde sterrestelsels is verder in drie breë klasse verdeel: elliptiese, spirale en lensvormige.
Die studie van sterrestelsels gee ons insig in verskeie sleutelraaisels van hoe die heelal werk. Navorsers het die verskillende vorme van sterrestelsels gebruik om teoretiseer oor die stervormingsproses. Met behulp van simulasies het wetenskaplikes ook probeer om te modelleer hoe sterrestelsels self vorm in die vorms wat ons vandag waarneem.
Outomatiese morfologiese klassifikasie van sterrestelsels
Navorsing oor die gebruik van masjienleer om sterrestelsels te klassifiseer het belowende resultate getoon. In 2020 het navorsers van die Nasionale Astronomiese Sterrewag van Japan a diep leer tegniek om sterrestelsels akkuraat te klassifiseer.
Die navorsers het 'n groot datastel van beelde gebruik wat uit die Subaru/Hyper Suprime-Cam (HSC)-opname verkry is. Deur hul tegniek te gebruik, kon hulle sterrestelsels in S-wyse spirale, Z-gewyse spirale en nie-spirale klassifiseer.
Hul navorsing het die voordele getoon van die kombinasie van groot data van teleskope met diep leer tegnieke. As gevolg van neurale nette kan sterrekundiges nou probeer om ander soorte morfologie te klassifiseer, soos stawe, samesmeltings en voorwerpe met sterk lense. Byvoorbeeld, verwante navorsing van MK Cavanagh en K. Bekki het CNN's gebruik om staafformasies in samesmeltende sterrestelsels te ondersoek.
Hoe werk dit?
Die wetenskaplikes van die NAOJ het staatgemaak op convolutional neurale netwerke of CNN'e om beelde te klassifiseer. Sedert 2015 het CNN's 'n uiters akkurate tegniek geword om sekere voorwerpe te klassifiseer. Werklike toepassings vir CNN's sluit in gesigbespeuring in beelde, selfbesturende motors, handgeskrewe karakterherkenning en mediese beeldontleding.
Maar hoe werk 'n CNN?
CNN behoort aan 'n klas masjienleertegnieke bekend as 'n klassifiseerder. Klassifiseerders kan sekere invoer neem en 'n datapunt uitvoer. Byvoorbeeld, 'n straattekenklassifiseerder sal in staat wees om 'n prent in te neem en uit te voer of die prent 'n straatteken is of nie.
'n CNN is 'n voorbeeld van 'n neurale netwerk. Hierdie neurale netwerke is saamgestel uit neurone georganiseer in lae. Tydens die opleidingsfase word hierdie neurone ingestel om spesifieke gewigte en vooroordele aan te pas wat sal help om die vereiste klassifikasieprobleem op te los.
Wanneer 'n neurale netwerk 'n beeld ontvang, neem dit klein areas van die beeld in eerder as alles as 'n geheel. Elke individuele neuron is in wisselwerking met ander neurone soos dit in verskeie afdelings van die hoofbeeld inneem.
Die teenwoordigheid van konvolusionele lae maak CNN anders as ander neurale netwerke. Hierdie lae skandeer oorvleuelende blokke pixels met die doel om kenmerke van die invoerbeeld te identifiseer. Aangesien ons neurone wat naby aan mekaar is verbind, sal die netwerk 'n makliker tyd hê om die prentjie te verstaan soos die invoerdata deur elke laag gaan.
Gebruik in Galaxy Morfologie
Wanneer dit gebruik word om sterrestelsels te klassifiseer, breek CNN's 'n beeld van 'n sterrestelsel op in kleiner "kolle". Deur 'n bietjie wiskunde te gebruik, sal die eerste versteekte laag probeer om op te los of die pleister 'n lyn of kromme bevat. Verdere lae sal probeer om toenemend komplekse vrae op te los, soos of die pleister 'n kenmerk van 'n spiraalsterrestelsel bevat, soos die teenwoordigheid van 'n arm.
Alhoewel dit relatief maklik is om te bepaal of 'n gedeelte van 'n beeld 'n reguit lyn bevat, word dit al hoe meer kompleks om te vra of die beeld 'n spiraalsterrestelsel wys, wat nog te sê watter tipe spiraalsterrestelsel.
Met neurale netwerke begin die klassifiseerder met ewekansige reëls en kriteria. Hierdie reëls word stadig meer en meer presies en relevant vir die probleem wat ons probeer oplos. Aan die einde van die opleidingsfase behoort die neurale netwerk nou 'n goeie idee te hê van watter kenmerke om in 'n beeld te soek.
Uitbreiding van KI met Citizen Science
Burgerwetenskap verwys na wetenskaplike navorsing wat deur amateurwetenskaplikes of publieke lede uitgevoer word.
Wetenskaplikes wat sterrekunde bestudeer, werk dikwels saam met burgerwetenskaplikes om te help om belangriker wetenskaplike ontdekkings te maak. NASA handhaaf 'n lys van tientalle burgerwetenskapprojekte waartoe enigiemand met 'n selfoon of skootrekenaar kan bydra.
Die Nasionale Astronomiese Sterrewag van Japan het ook 'n burgerwetenskapprojek bekend gestel as Galaxy Cruise. Die inisiatief lei vrywilligers op om sterrestelsels te klassifiseer en te soek na tekens van potensiële botsings tussen sterrestelsels. Nog 'n burgerprojek geroep Galaxy Zoo het reeds meer as 50 miljoen klassifikasies in net die eerste jaar van bekendstelling ontvang.
Deur data van burgerwetenskapprojekte te gebruik, kan ons lei neurale netwerke op om sterrestelsels verder in meer gedetailleerde klasse te klassifiseer. Ons kan ook hierdie burgerwetenskap-etikette gebruik om sterrestelsels met interessante kenmerke te vind. Eienskappe soos ringe en lense kan nog steeds moeilik wees om met 'n neurale netwerk te vind.
Gevolgtrekking
Neurale netwerktegnieke word toenemend gewild op die gebied van sterrekunde. Die bekendstelling van NASA se James Webb-ruimteteleskoop in 2021 beloof 'n nuwe era van waarnemingsterrekunde. Die teleskoop het reeds teragrepe data ingesamel, met moontlik duisende meer op pad in sy vyf jaar lange sendingleeftyd.
Klassifikasie van sterrestelsels is net een van baie potensiële take wat met ML opgeskaal kan word. Met ruimtedataverwerking wat sy eie Big Data-probleem word, moet navorsers gevorderde masjienleer ten volle gebruik om die groot prentjie te verstaan.
Lewer Kommentaar