Ista tehnologija koja pokreće prepoznavanje lica i samovozeće automobile uskoro bi mogla biti ključni instrument u otključavanju skrivenih tajni svemira.
Nedavni razvoji u opservacijskoj astronomiji doveli su do eksplozije podataka.
Moćni teleskopi dnevno prikupljaju terabajte podataka. Da bi obradili toliko podataka, naučnici moraju pronaći nove načine za automatizaciju različitih zadataka na terenu, poput mjerenja radijacije i drugih nebeskih pojava.
Jedan poseban zadatak koji astronomi žele ubrzati je klasifikacija galaksija. U ovom članku ćemo govoriti o tome zašto je klasifikacija galaksija toliko važna i kako su se istraživači počeli oslanjati na napredne tehnike strojnog učenja kako bi se povećali kako se količina podataka povećava.
Zašto moramo klasifikovati galaksije?
Klasifikacija galaksija, poznata u ovoj oblasti kao morfologija galaksija, nastala je u 18. veku. Za to vrijeme, Sir William Herschel je primijetio da različite 'magline' dolaze u različitim oblicima. Njegov sin John Herschel poboljšao je ovu klasifikaciju praveći razliku između galaktičkih i negalaktičkih maglina. Posljednja od ove dvije klasifikacije je ono što znamo i nazivamo galaksijama.
Krajem 18. veka, razni astronomi su spekulisali da su ovi kosmički objekti „vangalaktički” i da se nalaze izvan našeg Mlečnog puta.
Hubble je uveo novu klasifikaciju galaksija 1925. godine uvođenjem Hubble sekvence, neformalno poznatog kao Hubble tuning-fork dijagram.
Hubbleov slijed podijelio je galaksije na pravilne i nepravilne galaksije. Redovne galaksije su dalje podijeljene u tri široke klase: eliptične, spiralne i lentikularne.
Proučavanje galaksija daje nam uvid u nekoliko ključnih misterija o tome kako svemir funkcionira. Istraživači su koristili različite oblike galaksija kako bi teoretizirali o procesu formiranja zvijezda. Koristeći simulacije, naučnici su takođe pokušali da modeliraju kako se same galaksije formiraju u oblike koje danas posmatramo.
Automatska morfološka klasifikacija galaksija
Istraživanje korištenja mašinskog učenja za klasifikaciju galaksija pokazalo je obećavajuće rezultate. 2020. istraživači iz Nacionalne astronomske opservatorije Japana koristili su a tehnika dubokog učenja da precizno klasifikuju galaksije.
Istraživači su koristili veliki skup slika dobijenih iz Subaru/Hyper Suprime-Cam (HSC) ankete. Koristeći svoju tehniku, mogli su klasificirati galaksije u spirale u obliku slova S, spirale u obliku slova Z i ne-spirale.
Njihovo istraživanje pokazalo je prednosti kombinovanja velikih podataka iz teleskopa sa duboko učenje tehnike. Zbog neuronskih mreža, astronomi sada mogu pokušati klasificirati druge vrste morfologije kao što su šipke, spajanja i objekti sa jakim sočivima. Na primjer, srodna istraživanja iz MK Cavanagh i K. Bekki koristili su CNN-e da istraže formacije šipki u galaksijama koje se spajaju.
Kako radi
Naučnici iz NAOJ-a su se oslanjali na konvolucionu neuronske mreže ili CNN-a za klasifikaciju slika. Od 2015. godine CNN su postali izuzetno precizna tehnika za klasifikaciju određenih objekata. Stvarne aplikacije za CNN uključuju detekciju lica na slikama, automobile koji se sami voze, prepoznavanje rukom pisanih znakova i medicinske analiza slika.
Ali kako radi CNN?
CNN pripada klasi tehnika mašinskog učenja poznatih kao klasifikator. Klasifikatori mogu uzeti određene ulazne i izlazne tačke podataka. Na primjer, klasifikator uličnih znakova će moći uzeti sliku i ispisati je li slika ulični znak ili ne.
CNN je primjer a neuronska mreža. Ove neuronske mreže se sastoje od neurona organizovano u slojeva. Tokom faze treninga, ovi neuroni su podešeni da prilagode specifične težine i pristranosti koje će pomoći u rješavanju traženog problema klasifikacije.
Kada neuronska mreža primi sliku, ona zauzima male dijelove slike, a ne sve u cjelini. Svaki pojedinačni neuron stupa u interakciju s drugim neuronima dok zauzima različite dijelove glavne slike.
Prisustvo konvolucijskih slojeva čini CNN drugačijim od ostalih neuronskih mreža. Ovi slojevi skeniraju blokove piksela koji se preklapaju sa ciljem da identifikuju karakteristike sa ulazne slike. Budući da povezujemo neurone koji su blizu jedan drugome, mreža će lakše razumjeti sliku kako ulazni podaci prolaze kroz svaki sloj.
Upotreba u morfologiji galaksije
Kada se koriste u klasifikaciji galaksija, CNN-ovi rastavljaju sliku galaksije na manje „zakrpe“. Koristeći malo matematike, prvi skriveni sloj će pokušati riješiti da li zakrpa sadrži liniju ili krivu. Dalji slojevi će pokušati riješiti sve složenija pitanja kao što je da li zakrpa sadrži obilježje spiralne galaksije, kao što je prisustvo kraka.
Iako je relativno lako odrediti da li dio slike sadrži pravu liniju, postaje sve složenije postaviti pitanje prikazuje li slika spiralnu galaksiju, a kamoli koju vrstu spiralne galaksije.
Kod neuronskih mreža, klasifikator počinje sa slučajnim pravilima i kriterijima. Ova pravila polako postaju sve preciznija i relevantnija za problem koji pokušavamo riješiti. Do kraja faze obuke, neuronska mreža bi sada trebala imati dobru ideju o tome koje karakteristike treba tražiti na slici.
Proširivanje AI pomoću Citizen Science
Građanska nauka se odnosi na naučno istraživanje koje provode naučnici amateri ili članovi javnosti.
Naučnici koji proučavaju astronomiju često sarađuju sa naučnicima građanima kako bi pomogli u donošenju važnijih naučnih otkrića. NASA tvrdi a lista desetine projekata građanske nauke kojima svako sa mobilnim telefonom ili laptopom može doprinijeti.
Nacionalna astronomska opservatorija Japana također je pokrenula projekat građanske nauke poznat kao Galaxy Cruise. Inicijativa obučava volontere da klasifikuju galaksije i traže znakove potencijalnih sudara između galaksija. Još jedan projekat građana tzv Galaxy Zoo je već primio preko 50 miliona klasifikacija samo u prvoj godini lansiranja.
Koristeći podatke iz naučnih projekata građana, možemo trenirati neuronske mreže da dalje klasifikuju galaksije u detaljnije klase. Također bismo mogli koristiti ove oznake građanske nauke da pronađemo galaksije sa zanimljivim karakteristikama. Karakteristike kao što su prstenovi i sočiva i dalje je teško pronaći pomoću neuronske mreže.
zaključak
Tehnike neuronskih mreža postaju sve popularnije u oblasti astronomije. Lansiranje NASA-inog svemirskog teleskopa James Webb 2021. obećava novu eru opservacijske astronomije. Teleskop je već prikupio terabajte podataka, a možda ih je još hiljade na putu u svojoj petogodišnjoj misiji.
Klasifikacija galaksija je samo jedan od mnogih potencijalnih zadataka koji se mogu povećati pomoću ML-a. S obzirom da obrada svemirskih podataka postaje vlastiti problem velikih podataka, istraživači moraju u potpunosti koristiti napredno mašinsko učenje kako bi razumjeli širu sliku.
Ostavite odgovor