قد تكون نفس التقنية التي تقود التعرف على الوجه والسيارات ذاتية القيادة قريبًا أداة رئيسية في الكشف عن الأسرار الخفية للكون.
أدت التطورات الأخيرة في علم الفلك الرصدي إلى انفجار في البيانات.
تجمع التلسكوبات القوية تيرابايت من البيانات يوميًا. لمعالجة هذا القدر الكبير من البيانات ، يحتاج العلماء إلى إيجاد طرق جديدة لأتمتة المهام المختلفة في هذا المجال ، مثل قياس الإشعاع والظواهر السماوية الأخرى.
إحدى المهام المحددة التي يتوق علماء الفلك إلى تسريعها هي تصنيف المجرات. في هذه المقالة ، سنتطرق إلى سبب أهمية تصنيف المجرات وكيف بدأ الباحثون في الاعتماد على تقنيات التعلم الآلي المتقدمة لتوسيع نطاقها مع زيادة حجم البيانات.
لماذا نحتاج لتصنيف المجرات؟
نشأ تصنيف المجرات ، المعروف في هذا المجال باسم مورفولوجيا المجرات ، في القرن الثامن عشر. خلال ذلك الوقت ، لاحظ السير ويليام هيرشل أن العديد من "السدم" تأتي في أشكال مختلفة. قام ابنه جون هيرشل بتحسين هذا التصنيف من خلال التمييز بين السدم المجرية والسدم غير المجرية. الأخير من هذين التصنيفين هو ما نعرفه ونشير إليه بالمجرات.
قرب نهاية القرن الثامن عشر ، تكهن العديد من علماء الفلك بأن هذه الأجسام الكونية كانت "خارج المجرة" ، وأنها تقع خارج مجرتنا درب التبانة.
قدم هابل تصنيفًا جديدًا للمجرات في عام 1925 مع إدخال تسلسل هابل ، المعروف بشكل غير رسمي باسم مخطط هابل الضبط الشوكة.
قسّم تسلسل هابل المجرات إلى مجرات منتظمة وغير منتظمة. تم تقسيم المجرات المنتظمة إلى ثلاث فئات عريضة: الإهليلجية ، الحلزونية ، والعدسية.
تعطينا دراسة المجرات نظرة ثاقبة للعديد من الألغاز الرئيسية لكيفية عمل الكون. استخدم الباحثون الأشكال المختلفة من المجرات لوضع نظريات حول عملية تشكل النجوم. باستخدام عمليات المحاكاة ، حاول العلماء أيضًا أن يصمموا كيف تتشكل المجرات نفسها في الأشكال التي نلاحظها اليوم.
التصنيف المورفولوجي الآلي للمجرات
أظهرت الأبحاث في استخدام التعلم الآلي لتصنيف المجرات نتائج واعدة. في عام 2020 ، استخدم باحثون من المرصد الفلكي الوطني في اليابان a تقنية التعلم العميق لتصنيف المجرات بدقة.
استخدم الباحثون مجموعة بيانات كبيرة من الصور التي تم الحصول عليها من استطلاع Subaru / Hyper Suprime-Cam (HSC). باستخدام تقنيتهم ، يمكنهم تصنيف المجرات إلى حلزونات على شكل حرف S ، وحلزونات Z-wise ، وغير لولبية.
أظهر بحثهم مزايا الجمع بين البيانات الضخمة من التلسكوبات مع التعلم العميق التقنيات. بسبب الشبكات العصبية ، يمكن لعلماء الفلك الآن محاولة تصنيف أنواع أخرى من التشكل مثل القضبان وعمليات الدمج والأجسام شديدة العدسة. فمثلا، البحوث ذات صلة من MK Cavanagh و K. Bekki استخدموا شبكات CNN للتحقيق في تشكيلات القضبان في دمج المجرات.
آلية العمل
اعتمد العلماء من NAOJ على التلافيف الشبكات العصبية أو CNNs لتصنيف الصور. منذ عام 2015 ، أصبحت شبكات CNN تقنية دقيقة للغاية لتصنيف كائنات معينة. تتضمن تطبيقات العالم الحقيقي لشبكات CNN اكتشاف الوجه في الصور ، والسيارات ذاتية القيادة ، والتعرف على الأحرف بخط اليد ، والطبية تحليل الصور.
لكن كيف تعمل سي إن إن؟
تنتمي CNN إلى فئة من تقنيات التعلم الآلي المعروفة باسم المصنف. يمكن أن تأخذ المصنفات مدخلات معينة وإخراج نقطة بيانات. على سبيل المثال ، سيتمكن مصنف لافتات الشارع من التقاط صورة وإخراج ما إذا كانت الصورة علامة شارع أم لا.
شبكة CNN هي مثال على ملف الشبكة العصبية. تتكون هذه الشبكات العصبية من الخلايا العصبية منظم في طبقات. خلال مرحلة التدريب ، يتم ضبط هذه الخلايا العصبية لتكييف أوزان وتحيزات معينة تساعد في حل مشكلة التصنيف المطلوبة.
عندما تتلقى الشبكة العصبية صورة ، فإنها تأخذ مساحات صغيرة من الصورة بدلاً من كل شيء ككل ، كل خلية عصبية فردية تتفاعل مع الخلايا العصبية الأخرى كما تأخذ في أقسام مختلفة من الصورة الرئيسية.
إن وجود الطبقات التلافيفية يجعل شبكة CNN مختلفة عن الشبكات العصبية الأخرى. تقوم هذه الطبقات بمسح كتل متداخلة من وحدات البكسل بهدف تحديد الميزات من الصورة المدخلة. نظرًا لأننا نقوم بتوصيل الخلايا العصبية القريبة من بعضها البعض ، فسيكون للشبكة وقتًا أسهل في فهم الصورة حيث تمر بيانات الإدخال عبر كل طبقة.
الاستخدام في Galaxy Morphology
عند استخدامها في تصنيف المجرات ، تقوم شبكات CNN بتقسيم صورة مجرة إلى "بقع" أصغر. باستخدام القليل من الرياضيات ، ستحاول الطبقة المخفية الأولى حل ما إذا كان التصحيح يحتوي على خط أو منحنى. ستحاول الطبقات الإضافية حل الأسئلة المتزايدة التعقيد مثل ما إذا كانت الرقعة تحتوي على سمة من سمات المجرة الحلزونية ، مثل وجود ذراع.
في حين أنه من السهل نسبيًا تحديد ما إذا كان جزء من الصورة يحتوي على خط مستقيم ، فإنه يصبح معقدًا بشكل متزايد السؤال عما إذا كانت الصورة تظهر مجرة حلزونية ، ناهيك عن نوع المجرة الحلزونية.
مع الشبكات العصبية ، يبدأ المصنف بقواعد ومعايير عشوائية. تصبح هذه القواعد ببطء أكثر وأكثر دقة وذات صلة بالمشكلة التي نحاول حلها. بحلول نهاية مرحلة التدريب ، يجب أن يكون لدى الشبكة العصبية الآن فكرة جيدة عن الميزات التي يجب البحث عنها في الصورة.
توسيع نطاق الذكاء الاصطناعي باستخدام Citizen Science
يشير علم المواطن إلى البحث العلمي الذي يجريه العلماء الهواة أو أفراد الجمهور.
غالبًا ما يتعاون العلماء الذين يدرسون علم الفلك مع العلماء المواطنين للمساعدة في تحقيق المزيد من الاكتشافات العلمية المهمة. ناسا تحتفظ ب قائمة العشرات من مشاريع علوم المواطن التي يمكن لأي شخص لديه هاتف محمول أو كمبيوتر محمول المساهمة فيها.
كما وضع المرصد الفلكي الوطني في اليابان مشروعًا علميًا للمواطنين يُعرف باسم جالاكسي كروز. تقوم المبادرة بتدريب المتطوعين على تصنيف المجرات والبحث عن علامات الاصطدام المحتمل بين المجرات. مشروع مواطن آخر يسمى حديقة حيوان جالاكسي تلقت بالفعل أكثر من 50 مليون تصنيف في العام الأول من إطلاقها.
باستخدام البيانات من مشاريع علوم المواطن ، يمكننا ذلك تدريب الشبكات العصبية لتصنيف المجرات إلى فئات أكثر تفصيلاً. يمكننا أيضًا استخدام تسميات علم المواطن هذه للعثور على المجرات ذات الميزات الشيقة. قد لا يزال من الصعب العثور على ميزات مثل الحلقات والعدسات باستخدام الشبكة العصبية.
وفي الختام
أصبحت تقنيات الشبكة العصبية شائعة بشكل متزايد في مجال علم الفلك. يعد إطلاق تلسكوب جيمس ويب الفضائي التابع لناسا في عام 2021 بعصر جديد من علم الفلك الرصدي. لقد جمع التلسكوب بالفعل تيرابايت من البيانات ، مع احتمال وجود آلاف أخرى في الطريق خلال مهمته التي تبلغ خمس سنوات.
يعد تصنيف المجرات مجرد واحدة من العديد من المهام المحتملة التي يمكن توسيع نطاقها باستخدام ML. نظرًا لأن معالجة البيانات الفضائية أصبحت مشكلة البيانات الضخمة الخاصة بها ، يجب على الباحثين استخدام التعلم الآلي المتقدم بشكل كامل لفهم الصورة الكبيرة.
اترك تعليق