একই প্রযুক্তি যা মুখের শনাক্তকরণ এবং স্ব-চালিত গাড়ি চালায় শীঘ্রই মহাবিশ্বের লুকানো রহস্যগুলিকে আনলক করার একটি মূল উপকরণ হতে পারে।
পর্যবেক্ষণমূলক জ্যোতির্বিদ্যার সাম্প্রতিক উন্নয়ন তথ্যের বিস্ফোরণ ঘটিয়েছে।
শক্তিশালী টেলিস্কোপ প্রতিদিন টেরাবাইট ডেটা সংগ্রহ করে। এত ডেটা প্রক্রিয়া করার জন্য, বিজ্ঞানীদের ক্ষেত্রে বিভিন্ন কাজ স্বয়ংক্রিয় করার জন্য নতুন উপায় খুঁজে বের করতে হবে, যেমন বিকিরণ এবং অন্যান্য মহাকাশীয় ঘটনা পরিমাপ করা।
একটি বিশেষ কাজ যা জ্যোতির্বিজ্ঞানীরা গতি বাড়াতে আগ্রহী তা হল ছায়াপথের শ্রেণীবিভাগ। এই প্রবন্ধে, আমরা আলোচনা করব কেন গ্যালাক্সি শ্রেণীবিন্যাস করা এত গুরুত্বপূর্ণ এবং কীভাবে গবেষকরা ডেটার পরিমাণ বৃদ্ধির সাথে সাথে স্কেল করার জন্য উন্নত মেশিন লার্নিং কৌশলগুলির উপর নির্ভর করতে শুরু করেছেন।
কেন আমাদের ছায়াপথ শ্রেণীবদ্ধ করতে হবে?
গ্যালাক্সির শ্রেণীবিভাগ, গ্যালাক্সি মরফোলজি নামে পরিচিত, 18 শতকে উদ্ভূত হয়েছিল। সেই সময় স্যার উইলিয়াম হার্শেল পর্যবেক্ষণ করেছিলেন যে বিভিন্ন 'নীহারিকা' বিভিন্ন আকারে এসেছে। তার ছেলে জন হার্শেল গ্যালাকটিক নীহারিকা এবং নন-গ্যালাকটিক নীহারিকাগুলির মধ্যে পার্থক্য করে এই শ্রেণীবিভাগে উন্নতি করেছিলেন। এই দুটি শ্রেণীবিভাগের পরেরটি আমরা যা জানি এবং গ্যালাক্সি হিসাবে উল্লেখ করি।
18 শতকের শেষের দিকে, বিভিন্ন জ্যোতির্বিজ্ঞানীরা অনুমান করেছিলেন যে এই মহাজাগতিক বস্তুগুলি "অতিরিক্ত-গ্যালাক্টিক" এবং তারা আমাদের নিজস্ব মিল্কিওয়ের বাইরে রয়েছে।
হাবল 1925 সালে হাবল ক্রম প্রবর্তনের মাধ্যমে ছায়াপথের একটি নতুন শ্রেণিবিন্যাস প্রবর্তন করে, যা অনানুষ্ঠানিকভাবে হাবল টিউনিং-ফর্ক ডায়াগ্রাম নামে পরিচিত।
হাবলের ক্রম ছায়াপথগুলিকে নিয়মিত এবং অনিয়মিত ছায়াপথে বিভক্ত করেছে। নিয়মিত ছায়াপথগুলিকে আরও তিনটি বিস্তৃত শ্রেণীতে বিভক্ত করা হয়েছিল: উপবৃত্তাকার, সর্পিল এবং লেন্টিকুলার।
গ্যালাক্সির অধ্যয়ন আমাদের মহাবিশ্ব কিভাবে কাজ করে তার কয়েকটি মূল রহস্যের অন্তর্দৃষ্টি দেয়। গবেষকরা নক্ষত্র গঠন প্রক্রিয়া সম্পর্কে তাত্ত্বিক করার জন্য ছায়াপথের বিভিন্ন রূপ ব্যবহার করেছেন। সিমুলেশন ব্যবহার করে, বিজ্ঞানীরা মডেল করার চেষ্টা করেছেন কীভাবে গ্যালাক্সিগুলি নিজেরা সেই আকারে গঠন করে যা আমরা আজ পর্যবেক্ষণ করি।
গ্যালাক্সির স্বয়ংক্রিয় রূপগত শ্রেণীবিভাগ
গ্যালাক্সি শ্রেণীবদ্ধ করার জন্য মেশিন লার্নিং ব্যবহার করার গবেষণায় আশাব্যঞ্জক ফলাফল দেখানো হয়েছে। 2020 সালে, জাপানের ন্যাশনাল অ্যাস্ট্রোনমিক্যাল অবজারভেটরির গবেষকরা একটি ব্যবহার করেছেন গভীর শিক্ষার কৌশল নির্ভুলভাবে ছায়াপথ শ্রেণীবদ্ধ করতে।
গবেষকরা সুবারু/হাইপার সুপ্রাইম-ক্যাম (এইচএসসি) সমীক্ষা থেকে প্রাপ্ত চিত্রগুলির একটি বড় ডেটাসেট ব্যবহার করেছেন। তাদের কৌশল ব্যবহার করে, তারা ছায়াপথগুলিকে এস-ওয়াইজ সর্পিল, জেড-ওয়াইজ সর্পিল এবং অ-সর্পিলগুলিতে শ্রেণীবদ্ধ করতে পারে।
তাদের গবেষণা টেলিস্কোপ থেকে বড় ডেটা একত্রিত করার সুবিধাগুলি প্রদর্শন করেছে গভীর জ্ঞানার্জন কৌশল নিউরাল জালের কারণে, জ্যোতির্বিজ্ঞানীরা এখন অন্যান্য ধরনের রূপবিদ্যা যেমন বার, মার্জার এবং দৃঢ়ভাবে লেন্সযুক্ত বস্তুর শ্রেণীবিভাগ করার চেষ্টা করতে পারেন। উদাহরণ স্বরূপ, সম্পর্কিত গবেষণা MK Cavanagh এবং K. Bekki থেকে CNN ব্যবহার করেছেন গ্যালাক্সির একত্রিতকরণে বার গঠনের তদন্ত করতে।
কিভাবে এটা কাজ করে
NAOJ-এর বিজ্ঞানীরা কনভোল্যুশনালের উপর নির্ভর করেছিলেন নিউরাল নেটওয়ার্ক অথবা CNNs ছবি শ্রেণীবদ্ধ করতে. 2015 সাল থেকে, সিএনএনগুলি নির্দিষ্ট বস্তুকে শ্রেণিবদ্ধ করার জন্য একটি অত্যন্ত সঠিক কৌশল হয়ে উঠেছে। সিএনএন-এর জন্য বাস্তব-বিশ্বের অ্যাপ্লিকেশনগুলির মধ্যে রয়েছে চিত্রগুলিতে মুখ সনাক্তকরণ, স্ব-চালিত গাড়ি, হাতে লেখা চরিত্র সনাক্তকরণ এবং চিকিৎসা চিত্র বিশ্লেষণ.
কিন্তু কিভাবে একটি সিএনএন কাজ করে?
CNN মেশিন লার্নিং কৌশলগুলির একটি শ্রেণীর অন্তর্গত যা একটি ক্লাসিফায়ার হিসাবে পরিচিত। ক্লাসিফায়াররা নির্দিষ্ট ইনপুট নিতে পারে এবং একটি ডেটা পয়েন্ট আউটপুট করতে পারে। উদাহরণস্বরূপ, একটি রাস্তার চিহ্ন শ্রেণিবদ্ধকারী একটি চিত্র নিতে সক্ষম হবে এবং চিত্রটি রাস্তার চিহ্ন হোক বা না হোক।
একটি CNN একটি উদাহরণ স্নায়বিক নেটওয়ার্ক. এই নিউরাল নেটওয়ার্ক গঠিত হয় নিউরোন মধ্যে সংগঠিত স্তর. প্রশিক্ষণ পর্বের সময়, এই নিউরনগুলি নির্দিষ্ট ওজন এবং পক্ষপাতগুলিকে মানিয়ে নেওয়ার জন্য টিউন করা হয় যা প্রয়োজনীয় শ্রেণিবিন্যাসের সমস্যা সমাধানে সহায়তা করবে।
যখন একটি নিউরাল নেটওয়ার্ক একটি ইমেজ গ্রহণ করে, তখন এটি সামগ্রিকভাবে সবকিছুর পরিবর্তে ইমেজের ছোট ছোট অংশে নেয়, প্রতিটি পৃথক নিউরন অন্যান্য নিউরনের সাথে ইন্টারঅ্যাক্ট করে যেমন এটি মূল ছবির বিভিন্ন বিভাগে নেয়।
কনভোল্যুশনাল লেয়ারের উপস্থিতি সিএনএনকে অন্যান্য নিউরাল নেটওয়ার্ক থেকে আলাদা করে তোলে। এই স্তরগুলি ইনপুট চিত্র থেকে বৈশিষ্ট্যগুলি সনাক্ত করার লক্ষ্যে পিক্সেলের ওভারল্যাপিং ব্লকগুলি স্ক্যান করে৷ যেহেতু আমরা একত্রে কাছাকাছি থাকা নিউরনগুলিকে সংযুক্ত করি, তাই প্রতিটি স্তরের মধ্য দিয়ে ইনপুট ডেটা যাওয়ার সাথে সাথে নেটওয়ার্কটি ছবি বুঝতে আরও সহজ সময় পাবে।
গ্যালাক্সি মরফোলজিতে ব্যবহার
গ্যালাক্সি শ্রেণীবিভাগে ব্যবহৃত হলে, CNN একটি ছায়াপথের একটি চিত্রকে ছোট "প্যাচে" ভাগ করে। কিছুটা গণিত ব্যবহার করে, প্রথম লুকানো স্তর প্যাচটিতে একটি লাইন বা বক্ররেখা রয়েছে কিনা তা সমাধান করার চেষ্টা করবে। পরবর্তী স্তরগুলি ক্রমবর্ধমান জটিল প্রশ্নগুলি সমাধান করার চেষ্টা করবে যেমন প্যাচটিতে একটি সর্পিল গ্যালাক্সির বৈশিষ্ট্য রয়েছে কিনা, যেমন একটি বাহুর উপস্থিতি।
একটি চিত্রের একটি অংশে একটি সরল রেখা রয়েছে কিনা তা নির্ধারণ করা তুলনামূলকভাবে সহজ হলেও, চিত্রটি একটি সর্পিল ছায়াপথ দেখায় কিনা তা জিজ্ঞাসা করা ক্রমবর্ধমান জটিল হয়ে উঠছে, কোন ধরণের সর্পিল ছায়াপথ।
নিউরাল নেটওয়ার্কের সাথে, ক্লাসিফায়ার এলোমেলো নিয়ম এবং মানদণ্ড দিয়ে শুরু হয়। আমরা যে সমস্যার সমাধান করার চেষ্টা করছি তার জন্য এই নিয়মগুলি ধীরে ধীরে আরও বেশি সুনির্দিষ্ট এবং প্রাসঙ্গিক হয়ে ওঠে। প্রশিক্ষণ পর্বের শেষে, নিউরাল নেটওয়ার্কের এখন একটি ছবিতে কোন বৈশিষ্ট্যগুলি সন্ধান করতে হবে সে সম্পর্কে একটি ভাল ধারণা থাকা উচিত।
নাগরিক বিজ্ঞান ব্যবহার করে AI প্রসারিত করা
নাগরিক বিজ্ঞান অপেশাদার বিজ্ঞানী বা জনসাধারণের সদস্যদের দ্বারা পরিচালিত বৈজ্ঞানিক গবেষণাকে বোঝায়।
জ্যোতির্বিদ্যা অধ্যয়নরত বিজ্ঞানীরা প্রায়শই নাগরিক বিজ্ঞানীদের সাথে আরও গুরুত্বপূর্ণ বৈজ্ঞানিক আবিষ্কার করতে সহায়তা করে। NASA একটি বজায় রাখে তালিকা কয়েক ডজন নাগরিক বিজ্ঞান প্রকল্প যাতে সেলফোন বা ল্যাপটপ সহ যে কেউ অবদান রাখতে পারে।
জাপানের ন্যাশনাল অ্যাস্ট্রোনমিক্যাল অবজারভেটরি নামে পরিচিত একটি নাগরিক বিজ্ঞান প্রকল্পও স্থাপন করেছে গ্যালাক্সি ক্রুজ. উদ্যোগটি স্বেচ্ছাসেবকদের গ্যালাক্সি শ্রেণীবদ্ধ করতে এবং ছায়াপথগুলির মধ্যে সম্ভাব্য সংঘর্ষের লক্ষণগুলি সন্ধান করতে প্রশিক্ষণ দেয়। আরেকটি নাগরিক প্রকল্পের ডাকে ড গ্যালাক্সি চিড়িয়াখানা লঞ্চের প্রথম বছরেই ইতিমধ্যে 50 মিলিয়নেরও বেশি শ্রেণীবিভাগ পেয়েছে।
নাগরিক বিজ্ঞান প্রকল্প থেকে ডেটা ব্যবহার করে, আমরা করতে পারি নিউরাল নেটওয়ার্ক প্রশিক্ষণ ছায়াপথকে আরও বিস্তারিত শ্রেণীতে শ্রেণীবদ্ধ করতে। আকর্ষণীয় বৈশিষ্ট্য সহ গ্যালাক্সিগুলি খুঁজে পেতে আমরা এই নাগরিক বিজ্ঞান লেবেলগুলিও ব্যবহার করতে পারি। একটি নিউরাল নেটওয়ার্ক ব্যবহার করে রিং এবং লেন্সের মতো বৈশিষ্ট্যগুলি এখনও খুঁজে পাওয়া কঠিন হতে পারে।
উপসংহার
নিউরাল নেটওয়ার্ক কৌশল জ্যোতির্বিদ্যার ক্ষেত্রে ক্রমশ জনপ্রিয় হয়ে উঠছে। 2021 সালে NASA-এর জেমস ওয়েব স্পেস টেলিস্কোপ চালু করা পর্যবেক্ষণমূলক জ্যোতির্বিদ্যার একটি নতুন যুগের প্রতিশ্রুতি দেয়। টেলিস্কোপটি ইতিমধ্যেই টেরাবাইট ডেটা সংগ্রহ করেছে, সম্ভবত আরও হাজার হাজার তার পাঁচ বছরের মিশনের জীবনকালে।
গ্যালাক্সির শ্রেণীবিভাগ করা হল অনেকগুলি সম্ভাব্য কাজের মধ্যে একটি যা ML দিয়ে মাপানো যেতে পারে। স্পেস ডেটা প্রসেসিং এর নিজস্ব বিগ ডেটা সমস্যা হয়ে উঠলে, বড় ছবি বোঝার জন্য গবেষকদের অবশ্যই উন্নত মেশিন লার্নিং নিয়োগ করতে হবে।
নির্দেশিকা সমন্ধে মতামত দিন