Üzün tanınması və özünü idarə edən avtomobilləri idarə edən eyni texnologiya tezliklə kainatın gizli sirlərinin açılmasında əsas alət ola bilər.
Müşahidə astronomiyasındakı son inkişaflar məlumatların partlamasına səbəb oldu.
Güclü teleskoplar hər gün terabaytlarla məlumat toplayır. Bu qədər məlumatı emal etmək üçün alimlər radiasiya və digər səma hadisələrinin ölçülməsi kimi bu sahədə müxtəlif vəzifələri avtomatlaşdırmağın yeni yollarını tapmalıdırlar.
Astronomların sürətləndirməyə can atdıqları xüsusi tapşırıqlardan biri qalaktikaların təsnifatıdır. Bu yazıda biz qalaktikaların təsnifləşdirilməsinin niyə bu qədər vacib olduğunu və məlumatların həcmi artdıqca tədqiqatçıların qabaqcıl maşın öyrənmə üsullarına necə etibar etməyə başladığını nəzərdən keçirəcəyik.
Qalaktikaları niyə təsnif etməliyik?
Bu sahədə qalaktika morfologiyası kimi tanınan qalaktikaların təsnifatı 18-ci əsrdə yaranmışdır. Bu müddət ərzində ser Vilyam Herşel müxtəlif “dumanlıqların” müxtəlif formalarda gəldiyini müşahidə etdi. Onun oğlu Con Herşel qalaktik dumanlıqları və qeyri-qalaktik dumanlıqları ayırd edərək bu təsnifatı təkmilləşdirdi. Bu iki təsnifatın sonuncusu bizim bildiyimiz və qalaktikalar kimi istinad etdiyimiz şeylərdir.
18-ci əsrin sonlarına doğru müxtəlif astronomlar bu kosmik obyektlərin “ekstra-qalaktik” olduğunu və onların bizim Süd Yolumuzun xaricində yerləşdiyini fərz edirdilər.
Hubble 1925-ci ildə qeyri-rəsmi olaraq Hubble tuning-fork diaqramı kimi tanınan Hubble ardıcıllığının tətbiqi ilə qalaktikaların yeni təsnifatını təqdim etdi.
Hubble ardıcıllığı qalaktikaları nizamlı və nizamsız qalaktikalara ayırdı. Müntəzəm qalaktikalar daha sonra üç geniş sinfə bölünürdü: elliptiklər, spirallər və lentikulyarlar.
Qalaktikaların tədqiqi bizə kainatın necə işlədiyinə dair bir neçə əsas sirr haqqında fikir verir. Tədqiqatçılar ulduzların əmələ gəlməsi prosesi haqqında nəzəriyyə yaratmaq üçün qalaktikaların müxtəlif formalarından istifadə ediblər. Alimlər simulyasiyalardan istifadə edərək, qalaktikaların özlərinin bu gün müşahidə etdiyimiz formaları necə formalaşdırdıqlarını modelləşdirməyə də çalışıblar.
Qalaktikaların Avtomatlaşdırılmış Morfoloji Təsnifatı
Qalaktikaları təsnif etmək üçün maşın öyrənməsindən istifadə ilə bağlı araşdırmalar ümidverici nəticələr göstərdi. 2020-ci ildə Yaponiya Milli Astronomiya Rəsədxanasının tədqiqatçıları a dərin öyrənmə texnikası qalaktikaları dəqiq təsnif etmək.
Tədqiqatçılar Subaru/Hyper Suprime-Cam (HSC) sorğusundan əldə edilən böyük görüntülər toplusundan istifadə ediblər. Texnikalarından istifadə edərək qalaktikaları S-müdrik spiral, Z-müdrik spiral və qeyri-spiral kimi təsnif edə bildilər.
Onların araşdırmaları teleskoplardan böyük məlumatların birləşdirilməsinin üstünlüklərini nümayiş etdirdi dərin öyrənmə texnikalar. Neyron şəbəkələri sayəsində astronomlar indi barlar, birləşmələr və güclü linzalı obyektlər kimi digər morfologiya növlərini təsnif etməyə cəhd edə bilərlər. Misal üçün, əlaqədar tədqiqat MK Cavanagh və K. Bekki CNN-lərdən birləşən qalaktikalarda çubuq birləşmələrini araşdırmaq üçün istifadə etdilər.
Bu işlər necə
NAOJ-dan olan elm adamları konvolusiyaya etibar etdilər sinir şəbəkələri və ya şəkilləri təsnif etmək üçün CNN. 2015-ci ildən bəri CNN-lər müəyyən obyektləri təsnif etmək üçün son dərəcə dəqiq bir texnika halına gəldi. CNN-lər üçün real dünya tətbiqləri arasında şəkillərdə üz aşkarlanması, özünü idarə edən avtomobillər, əlyazma xarakterlərin tanınması və tibbi görüntü təhlili.
Bəs CNN necə işləyir?
CNN, təsnifatlandırıcı kimi tanınan maşın öyrənmə üsulları sinfinə aiddir. Təsnifatçılar müəyyən girişi qəbul edib məlumat nöqtəsini çıxara bilər. Məsələn, küçə nişanı təsnifatçısı şəkli götürə və şəklin küçə nişanı olub-olmadığını çıxara biləcək.
CNN buna misaldır neyron şəbəkə. Bu neyron şəbəkələri ibarətdir nöronlar daxilində təşkil edilmişdir qat. Təlim mərhələsində bu neyronlar tələb olunan təsnifat problemini həll etməyə kömək edəcək xüsusi çəkiləri və meylləri uyğunlaşdırmaq üçün tənzimlənir.
Bir neyron şəbəkəsi bir şəkil aldıqda, bütövlükdə hər şeyi deyil, təsvirin kiçik sahələrini alır, Hər bir fərdi neyron əsas təsvirin müxtəlif bölmələrində aldığı kimi digər neyronlarla qarşılıqlı əlaqədə olur.
Konvolyusiya qatlarının olması CNN-i digər neyron şəbəkələrdən fərqləndirir. Bu təbəqələr daxil edilmiş təsvirdən xüsusiyyətləri müəyyən etmək məqsədi ilə üst-üstə düşən piksel bloklarını skan edir. Biz bir-birinə yaxın olan neyronları birləşdirdiyimiz üçün giriş məlumatları hər bir təbəqədən keçərkən şəbəkə şəkli daha asan başa düşəcək.
Galaxy Morfologiyasında istifadə
Qalaktikaların təsnifatında istifadə edildikdə, CNN-lər qalaktikanın təsvirini daha kiçik “yamaqlara” parçalayır. Bir az riyaziyyatdan istifadə edərək, ilk gizli təbəqə yamaqda xətt və ya əyri olub-olmadığını həll etməyə çalışacaq. Növbəti təbəqələr, yamağın spiral qalaktikanın bir xüsusiyyətini, məsələn, qolun varlığını ehtiva edib-etməməsi kimi getdikcə daha mürəkkəb sualları həll etməyə çalışacaq.
Şəklin bir hissəsinin düz xəttin olub-olmadığını müəyyən etmək nisbətən asan olsa da, təsvirin hansı növ spiral qalaktika olduğunu bir yana qoyaq, onun spiral qalaktikasını göstərib-göstərmədiyini soruşmaq getdikcə mürəkkəbləşir.
Neyron şəbəkələri ilə təsnifatçı təsadüfi qaydalar və meyarlarla başlayır. Bu qaydalar getdikcə daha dəqiq və həll etməyə çalışdığımız problemə uyğunlaşır. Təlim mərhələsinin sonunda neyroşəbəkə indi təsvirdə hansı xüsusiyyətlərin axtarılacağı barədə yaxşı təsəvvürə malik olmalıdır.
Citizen Science istifadə edərək AI-nin genişləndirilməsi
Vətəndaş elmi həvəskar alimlər və ya ictimai üzvləri tərəfindən aparılan elmi tədqiqatlara aiddir.
Astronomiyanı öyrənən elm adamları daha mühüm elmi kəşflər etmək üçün çox vaxt vətəndaş alimləri ilə əməkdaşlıq edirlər. NASA saxlayır a siyahı cib telefonu və ya noutbuku olan hər kəsin töhfə verə biləcəyi onlarla vətəndaş elmi layihəsi.
Yaponiya Milli Astronomiya Rəsədxanası da kimi tanınan vətəndaş elmi layihəsi hazırladı Galaxy Cruise. Təşəbbüs könüllüləri qalaktikaları təsnif etmək və qalaktikalar arasında potensial toqquşma əlamətlərini axtarmaq üçün öyrədir. Başqa bir vətəndaş layihəsi çağırıldı Galaxy Zooparkı işə salınmasının ilk ilində artıq 50 milyondan çox təsnifat almışdır.
Vətəndaş elmi layihələrindən əldə edilən məlumatlardan istifadə edərək edə bilərik neyron şəbəkələri məşq edin qalaktikaları daha ətraflı siniflərə təsnif etmək. Bu vətəndaş elmi etiketlərindən maraqlı xüsusiyyətlərə malik qalaktikaları tapmaq üçün də istifadə edə bilərik. Üzüklər və linzalar kimi xüsusiyyətləri neyron şəbəkədən istifadə etməklə tapmaq hələ də çətin ola bilər.
Nəticə
Neyron şəbəkə üsulları astronomiya sahəsində getdikcə populyarlaşır. NASA-nın James Webb Kosmik Teleskopunun 2021-ci ildə buraxılması müşahidə astronomiyasında yeni bir dövr vəd edir. Teleskop artıq terabaytlarla məlumat toplayıb, bəlkə də beş illik missiyası ərzində daha minlərlə məlumat yoldadır.
Qalaktikaların təsnifatı ML ilə genişləndirilə bilən bir çox potensial vəzifələrdən yalnız biridir. Kosmik məlumatların işlənməsi öz Big Data probleminə çevrildiyindən, tədqiqatçılar böyük mənzərəni başa düşmək üçün qabaqcıl maşın öyrənməsindən tam istifadə etməlidirlər.
Cavab yaz