La mateixa tecnologia que impulsa el reconeixement facial i els cotxes autònoms pot ser aviat un instrument clau per desbloquejar els secrets ocults de l'univers.
Els desenvolupaments recents en astronomia observacional han provocat una explosió de dades.
Els potents telescopis recullen terabytes de dades diàriament. Per processar tantes dades, els científics han de trobar noves maneres d'automatitzar diverses tasques en el camp, com ara mesurar la radiació i altres fenòmens celestes.
Una tasca particular que els astrònoms estan ansiosos d'accelerar és la classificació de les galàxies. En aquest article, explicarem per què és tan important classificar les galàxies i com els investigadors han començat a confiar en tècniques avançades d'aprenentatge automàtic per augmentar-les a mesura que augmenta el volum de dades.
Per què hem de classificar les galàxies?
La classificació de les galàxies, coneguda en el camp com a morfologia de les galàxies, es va originar al segle XVIII. Durant aquest temps, Sir William Herschel va observar que diverses "nebuloses" tenien diverses formes. El seu fill John Herschel va millorar aquesta classificació distingint entre nebuloses galàctiques i nebuloses no galàctiques. L'última d'aquestes dues classificacions és el que coneixem i ens referim com a galàxies.
Cap a finals del segle XVIII, diversos astrònoms van especular que aquests objectes còsmics eren "extragalàctics" i que es troben fora de la nostra pròpia Via Làctia.
Hubble va introduir una nova classificació de galàxies el 1925 amb la introducció de la seqüència de Hubble, coneguda informalment com el diagrama de diapasó de Hubble.
La seqüència de Hubble va dividir les galàxies en galàxies regulars i irregulars. Les galàxies regulars es van dividir en tres grans classes: el·líptiques, espirals i lenticulars.
L'estudi de les galàxies ens dóna una visió de diversos misteris clau de com funciona l'univers. Els investigadors han utilitzat les diferents formes de galàxies per teorizar sobre el procés de formació estel·lar. Mitjançant simulacions, els científics també han intentat modelar com les galàxies es formen en les formes que observem avui.
Classificació morfològica automatitzada de galàxies
La investigació sobre l'ús de l'aprenentatge automàtic per classificar les galàxies ha mostrat resultats prometedors. El 2020, investigadors de l'Observatori Astronòmic Nacional del Japó van utilitzar a tècnica d'aprenentatge profund per classificar les galàxies amb precisió.
Els investigadors van utilitzar un gran conjunt de dades d'imatges obtingudes de l'enquesta Subaru/Hyper Suprime-Cam (HSC). Utilitzant la seva tècnica, van poder classificar les galàxies en espirals S, espirals Z i no espirals.
La seva investigació va demostrar els avantatges de combinar grans dades dels telescopis amb aprenentatge profund tècniques. A causa de les xarxes neuronals, els astrònoms ara poden provar de classificar altres tipus de morfologia, com ara barres, fusions i objectes amb lents forta. Per exemple, investigació relacionada de MK Cavanagh i K. Bekki van utilitzar CNN per investigar les formacions de barres en la fusió de galàxies.
Com funciona?
Els científics de la NAOJ van confiar en la convolució xarxes neuronals o CNN per classificar imatges. Des del 2015, les CNN s'han convertit en una tècnica extremadament precisa per classificar determinats objectes. Les aplicacions del món real per a CNN inclouen la detecció de cares en imatges, cotxes autònoms, reconeixement de caràcters escrits a mà i medicina. anàlisi d'imatges.
Però, com funciona una CNN?
CNN pertany a una classe de tècniques d'aprenentatge automàtic conegudes com a classificador. Els classificadors poden prendre determinades entrades i sortir a un punt de dades. Per exemple, un classificador de senyals de carrer podrà prendre una imatge i donar sortida a si la imatge és un senyal de carrer o no.
Una CNN és un exemple d'a xarxa neural. Aquestes xarxes neuronals estan formades per neurons organitzat en capes. Durant la fase d'entrenament, aquestes neurones s'ajusten per adaptar pesos i biaixos específics que ajudaran a resoldre el problema de classificació requerit.
Quan una xarxa neuronal rep una imatge, pren petites àrees de la imatge en lloc de tot com un tot, cada neurona individual interacciona amb altres neurones a mesura que pren en diverses seccions de la imatge principal.
La presència de capes convolucionals fa que la CNN sigui diferent d'altres xarxes neuronals. Aquestes capes escanegen blocs de píxels superposats amb l'objectiu d'identificar característiques de la imatge d'entrada. Com que connectem neurones que estan a prop, la xarxa tindrà més facilitat per entendre la imatge a mesura que les dades d'entrada passin per cada capa.
Ús a la morfologia galàxia
Quan s'utilitzen per classificar les galàxies, les CNN desglossen una imatge d'una galàxia en "pegats" més petits. Utilitzant una mica de matemàtiques, la primera capa oculta intentarà resoldre si el pegat conté una línia o una corba. Més capes intentaran resoldre qüestions cada cop més complexes, com ara si el pegat conté una característica d'una galàxia espiral, com ara la presència d'un braç.
Tot i que és relativament fàcil determinar si una secció d'una imatge conté una línia recta, cada cop es fa més complex preguntar-se si la imatge mostra una galàxia espiral, i molt menys quin tipus de galàxia espiral.
Amb les xarxes neuronals, el classificador comença amb regles i criteris aleatoris. Aquestes regles es tornen cada cop més precises i rellevants per al problema que estem intentant resoldre. Al final de la fase d'entrenament, la xarxa neuronal hauria de tenir una bona idea de quines característiques cal buscar en una imatge.
Ampliació de la IA mitjançant la Ciència Ciutadana
La ciència ciutadana fa referència a la investigació científica realitzada per científics aficionats o membres públics.
Els científics que estudien astronomia sovint col·laboren amb científics ciutadans per ajudar a fer descobriments científics més importants. La NASA manté a llista de desenes de projectes de ciència ciutadana als quals pot contribuir qualsevol persona amb un mòbil o un ordinador portàtil.
L'Observatori Astronòmic Nacional del Japó també ha posat en marxa un projecte de ciència ciutadana conegut com a Galaxy Cruise. La iniciativa forma voluntaris per classificar galàxies i buscar signes de possibles col·lisions entre galàxies. Un altre projecte ciutadà anomenat Galaxy Zoo ja ha rebut més de 50 milions de classificacions en només el primer any de llançament.
Utilitzant dades de projectes de ciència ciutadana, podem entrenar xarxes neuronals per classificar les galàxies en classes més detallades. També podríem utilitzar aquestes etiquetes de ciència ciutadana per trobar galàxies amb característiques interessants. Funcions com ara anells i lents encara poden ser difícils de trobar amb una xarxa neuronal.
Conclusió
Les tècniques de xarxes neuronals són cada cop més populars en el camp de l'astronomia. El llançament del telescopi espacial James Webb de la NASA el 2021 promet una nova era de l'astronomia observacional. El telescopi ja ha recollit terabytes de dades, amb possiblement milers més en camí durant la seva vida de missió de cinc anys.
Classificar les galàxies és només una de les moltes tasques potencials que es poden ampliar amb ML. Amb el processament de dades espacials convertint-se en el seu propi problema de Big Data, els investigadors han d'utilitzar completament l'aprenentatge automàtic avançat per entendre el panorama general.
Deixa un comentari