Същата технология, която управлява разпознаването на лица и самоуправляващите се автомобили, скоро може да бъде ключов инструмент за отключване на скритите тайни на Вселената.
Последните разработки в наблюдателната астрономия доведоха до експлозия на данни.
Мощните телескопи събират терабайти данни всеки ден. За да обработят толкова много данни, учените трябва да намерят нови начини за автоматизиране на различни задачи в тази област, като например измерване на радиация и други небесни явления.
Една конкретна задача, която астрономите искат да ускорят, е класификацията на галактиките. В тази статия ще разгледаме защо класифицирането на галактики е толкова важно и как изследователите са започнали да разчитат на усъвършенствани техники за машинно обучение, за да се увеличават с нарастването на обема на данните.
Защо трябва да класифицираме галактиките?
Класификацията на галактиките, известна в областта като морфология на галактиките, възниква през 18 век. През това време сър Уилям Хершел забеляза, че различни „мъглявини“ идват в различни форми. Неговият син Джон Хершел подобри тази класификация, като направи разлика между галактически и негалактически мъглявини. Последната от тези две класификации е това, което познаваме и наричаме галактики.
Към края на 18 век различни астрономи спекулираха, че тези космически обекти са „извънгалактически“ и че се намират извън нашия собствен Млечен път.
Хъбъл въвежда нова класификация на галактиките през 1925 г. с въвеждането на последователността на Хъбъл, известна неофициално като диаграма на камертона на Хъбъл.
Последователността на Хъбъл разделя галактиките на правилни и неправилни галактики. Правилните галактики бяха допълнително разделени на три широки класа: елиптични, спирални и лещовидни.
Изследването на галактиките ни дава представа за няколко ключови мистерии за това как работи Вселената. Изследователите са използвали различните форми на галактики, за да теоретизират процеса на формиране на звезди. Използвайки симулации, учените също са се опитали да моделират как самите галактики се формират във формите, които наблюдаваме днес.
Автоматизирана морфологична класификация на галактиките
Изследванията за използване на машинно обучение за класифициране на галактики показаха обещаващи резултати. През 2020 г. изследователи от Националната астрономическа обсерватория на Япония използваха a техника на дълбоко обучение за точно класифициране на галактиките.
Изследователите са използвали голям набор от изображения, получени от проучването на Subaru/Hyper Suprime-Cam (HSC). Използвайки техниката си, те могат да класифицират галактиките на S-мъдри спирали, Z-мъдри спирали и не-спирали.
Техните изследвания демонстрираха предимствата на комбинирането на големи данни от телескопи с дълбоко учене техники. Благодарение на невронните мрежи астрономите вече могат да се опитат да класифицират други типове морфология като ленти, сливания и обекти със силни лещи. Например, свързани изследвания от MK Cavanagh и K. Bekki използваха CNN, за да изследват образуванията на барове в сливащи се галактики.
Как работи
Учените от NAOJ разчитат на конволюцията невронни мрежи или CNN за класифициране на изображения. От 2015 г. CNN се превърнаха в изключително точна техника за класифициране на определени обекти. Реалните приложения за CNN включват разпознаване на лица в изображения, самоуправляващи се автомобили, разпознаване на ръкописни знаци и медицински анализ на изображения.
Но как работи CNN?
CNN принадлежи към клас техники за машинно обучение, известни като класификатор. Класификаторите могат да приемат определен вход и да извеждат точка от данни. Например, класификатор на улични знаци ще може да вземе изображение и да изведе дали изображението е уличен знак или не.
CNN е пример за a невронна мрежа. Тези невронни мрежи са съставени от неврони организирани в слоеве. По време на фазата на обучение тези неврони са настроени да адаптират специфични тегла и отклонения, които ще помогнат за решаването на необходимия проблем с класификацията.
Когато една невронна мрежа получи изображение, тя взема малки области от изображението, а не всичко като цяло. Всеки отделен неврон взаимодейства с други неврони, докато взема различни части от основното изображение.
Наличието на конволюционни слоеве прави CNN различна от другите невронни мрежи. Тези слоеве сканират припокриващи се блокове от пиксели с цел идентифициране на функции от входното изображение. Тъй като свързваме неврони, които са близо един до друг, мрежата ще има по-лесно време да разбере картината, докато входните данни преминават през всеки слой.
Използване в морфологията на галактиката
Когато се използват за класифициране на галактики, CNN разбиват изображение на галактика на по-малки „кръпки“. Използвайки малко математика, първият скрит слой ще се опита да реши дали пластирът съдържа линия или крива. Допълнителни слоеве ще се опитат да решат все по-сложни въпроси, като например дали пластирът съдържа характеристика на спирална галактика, като например наличието на ръка.
Въпреки че е сравнително лесно да се определи дали част от изображение съдържа права линия, става все по-сложно да се запита дали изображението показва спирална галактика, да не говорим какъв тип спирална галактика.
При невронните мрежи класификаторът започва с произволни правила и критерии. Тези правила бавно стават все по-точни и подходящи за проблема, който се опитваме да разрешим. До края на фазата на обучение, невронната мрежа вече трябва да има добра представа какви характеристики да търси в изображението.
Разширяване на AI чрез Citizen Science
Гражданската наука се отнася до научни изследвания, проведени от учени аматьори или общественици.
Учените, изучаващи астрономия, често си сътрудничат с граждански учени, за да помогнат за по-важни научни открития. НАСА поддържа a списък от десетки проекти за гражданска наука, към които всеки с мобилен телефон или лаптоп може да допринесе.
Националната астрономическа обсерватория на Япония също представи проект за гражданска наука, известен като Galaxy Cruise. Инициативата обучава доброволци да класифицират галактики и да търсят признаци на потенциални сблъсъци между галактики. Обади се друг граждански проект Зоопарк Галакси вече е получил над 50 милиона класификации само през първата година от стартирането.
Използвайки данни от граждански научни проекти, можем обучават невронни мрежи за допълнително класифициране на галактиките в по-подробни класове. Можем също да използваме тези граждански научни етикети, за да намерим галактики с интересни характеристики. Функции като пръстени и лещи може все още да бъдат трудни за намиране с помощта на невронна мрежа.
Заключение
Техниките на невронните мрежи стават все по-популярни в областта на астрономията. Изстрелването на космическия телескоп Джеймс Уеб на НАСА през 2021 г. обещава нова ера в наблюдателната астрономия. Телескопът вече е събрал терабайти данни, като вероятно има още хиляди на път през петгодишния му живот на мисията.
Класифицирането на галактики е само една от многото потенциални задачи, които могат да бъдат увеличени с ML. Тъй като обработката на космически данни се превръща в собствен проблем с големите данни, изследователите трябва да използват напълно усъвършенствано машинно обучение, за да разберат голямата картина.
Оставете коментар