Efallai y bydd yr un dechnoleg sy'n gyrru adnabod wynebau a cheir hunan-yrru yn offeryn allweddol yn fuan i ddatgloi cyfrinachau cudd y bydysawd.
Mae datblygiadau diweddar mewn seryddiaeth arsylwadol wedi arwain at ffrwydrad o ddata.
Mae telesgopau pwerus yn casglu terabytes o ddata bob dydd. Er mwyn prosesu cymaint â hynny o ddata, mae angen i wyddonwyr ddod o hyd i ffyrdd newydd o awtomeiddio tasgau amrywiol yn y maes, megis mesur ymbelydredd a ffenomenau nefol eraill.
Un dasg arbennig y mae seryddwyr yn awyddus i'w chyflymu yw dosbarthiad galaethau. Yn yr erthygl hon, byddwn yn mynd dros pam mae dosbarthu galaethau mor bwysig a sut mae ymchwilwyr wedi dechrau dibynnu ar dechnegau dysgu peiriannau uwch i gynyddu wrth i gyfaint y data gynyddu.
Pam mae angen i ni ddosbarthu galaethau?
Mae dosbarthiad galaethau, a elwir yn y maes fel morffoleg galaeth, yn tarddu yn y 18fed ganrif. Yn ystod y cyfnod hwnnw, sylwodd Syr William Herschel fod gwahanol 'nifylau' yn dod mewn gwahanol ffurfiau. Gwellodd ei fab John Herschel ar y dosbarthiad hwn trwy wahaniaethu rhwng nifylau galactig a nifylau nad ydynt yn galactig. Yr olaf o'r ddau ddosbarthiad hyn yw'r hyn yr ydym yn ei adnabod ac yn cyfeirio ato fel galaethau.
Tua diwedd y 18fed ganrif, roedd seryddwyr amrywiol yn dyfalu bod y gwrthrychau cosmig hyn yn “all-alaethol”, a'u bod yn gorwedd y tu allan i'n Llwybr Llaethog ni ein hunain.
Cyflwynodd Hubble ddosbarthiad newydd o alaethau ym 1925 gyda chyflwyniad y dilyniant Hubble, a adwaenir yn anffurfiol fel diagram tiwnio-fforc Hubble.
Roedd dilyniant Hubble yn rhannu galaethau yn alaethau rheolaidd ac afreolaidd. Rhannwyd y galaethau rheolaidd ymhellach yn dri dosbarth eang: Ellipticals, troellau, a lenticular.
Mae astudio galaethau yn rhoi cipolwg i ni ar sawl dirgelwch allweddol o ran sut mae'r bydysawd yn gweithio. Mae ymchwilwyr wedi defnyddio'r gwahanol fathau o alaethau i ddamcaniaethu am y broses ffurfio sêr. Gan ddefnyddio efelychiadau, mae gwyddonwyr hefyd wedi ceisio modelu sut mae galaethau eu hunain yn ffurfio'r siapiau rydyn ni'n eu gweld heddiw.
Dosbarthiad Morffolegol Awtomataidd o Galaethau
Mae ymchwil i ddefnyddio dysgu peirianyddol i ddosbarthu galaethau wedi dangos canlyniadau addawol. Yn 2020, defnyddiodd ymchwilwyr o Arsyllfa Seryddol Genedlaethol Japan a techneg dysgu dwfn i ddosbarthu galaethau yn gywir.
Defnyddiodd yr ymchwilwyr set ddata fawr o ddelweddau a gafwyd o Arolwg Subaru/Hyper Suprime-Cam (HSC). Gan ddefnyddio eu techneg, gallent ddosbarthu galaethau yn droellau S-wise, troellau doeth-Z, a rhai nad ydynt yn droellau.
Dangosodd eu hymchwil y manteision o gyfuno data mawr o delesgopau â dysgu dwfn technegau. Oherwydd rhwydi niwral, gall seryddwyr nawr geisio dosbarthu mathau eraill o forffoleg megis bariau, cyfuniadau, a gwrthrychau â lensys cryf. Er enghraifft, ymchwil cysylltiedig gan MK Cavanagh a K. Defnyddiodd Bekki CNNs i ymchwilio i ffurfiannau bar mewn galaethau sy'n uno.
Sut Mae'n Gwaith
Roedd y gwyddonwyr o'r NAOJ yn dibynnu ar ddadleuol rhwydweithiau nefol neu CNNs i ddosbarthu delweddau. Ers 2015, mae CNNs wedi dod yn dechneg hynod gywir i ddosbarthu rhai gwrthrychau. Mae cymwysiadau byd go iawn ar gyfer CNNs yn cynnwys canfod wynebau mewn delweddau, ceir hunan-yrru, adnabod cymeriad mewn llawysgrifen, a meddygol dadansoddi delweddau.
Ond sut mae CNN yn gweithio?
Mae CNN yn perthyn i ddosbarth o dechnegau dysgu peirianyddol a elwir yn ddosbarthwr. Gall dosbarthwyr gymryd mewnbwn ac allbwn penodol pwynt data. Er enghraifft, bydd dosbarthwr arwyddion stryd yn gallu cymryd delwedd ac allbwn p'un a yw'r ddelwedd yn arwydd stryd ai peidio.
Mae CNN yn enghraifft o a rhwydwaith nefol. Mae'r rhwydweithiau niwral hyn yn cynnwys niwronau trefnu i mewn haenau. Yn ystod y cyfnod hyfforddi, caiff y niwronau hyn eu tiwnio i addasu pwysau a thueddiadau penodol a fydd yn helpu i ddatrys y broblem ddosbarthu sydd ei hangen.
Pan fydd rhwydwaith niwral yn derbyn delwedd, mae'n cymryd rhannau bach o'r ddelwedd yn hytrach na phopeth yn ei gyfanrwydd, Mae pob niwron unigol yn rhyngweithio â niwronau eraill gan ei fod yn cymryd mewn gwahanol adrannau o'r brif ddelwedd.
Mae presenoldeb haenau convolutional yn gwneud CNN yn wahanol i rwydweithiau niwral eraill. Mae'r haenau hyn yn sganio blociau o bicseli sy'n gorgyffwrdd gyda'r nod o nodi nodweddion o'r ddelwedd mewnbwn. Gan ein bod yn cysylltu niwronau sy'n agos at ei gilydd, bydd y rhwydwaith yn cael amser haws i ddeall y darlun wrth i'r data mewnbwn fynd trwy bob haen.
Defnydd mewn Morffoleg Galaxy
Pan gânt eu defnyddio i ddosbarthu galaethau, mae CNNs yn torri delwedd o alaeth yn “glytiau” llai. Gan ddefnyddio ychydig o fathemateg, bydd yr haen gudd gyntaf yn ceisio datrys a yw'r clwt yn cynnwys llinell neu gromlin. Bydd haenau pellach yn ceisio datrys cwestiynau cynyddol gymhleth megis a yw'r clwt yn cynnwys nodwedd o alaeth droellog, megis presenoldeb braich.
Er ei bod yn gymharol hawdd penderfynu a yw rhan o ddelwedd yn cynnwys llinell syth, mae'n dod yn fwyfwy cymhleth i ofyn a yw'r ddelwedd yn dangos galaeth droellog, heb sôn am ba fath o alaeth droellog.
Gyda rhwydweithiau niwral, mae'r dosbarthwr yn dechrau gyda rheolau a meini prawf ar hap. Mae'r rheolau hyn yn dod yn fwyfwy manwl gywir a pherthnasol i'r broblem yr ydym yn ceisio ei datrys. Erbyn diwedd y cyfnod hyfforddi, dylai fod gan y rhwydwaith niwral syniad da o ba nodweddion i edrych amdanynt mewn delwedd.
Ymestyn AI gan ddefnyddio Gwyddoniaeth Dinesydd
Mae gwyddoniaeth dinasyddion yn cyfeirio at ymchwil wyddonol a gynhelir gan wyddonwyr amatur neu aelodau o'r cyhoedd.
Mae gwyddonwyr sy'n astudio seryddiaeth yn aml yn cydweithio â dinasyddion-wyddonwyr i helpu i wneud darganfyddiadau gwyddonol pwysicach. Mae NASA yn cynnal a rhestr o ddwsinau o brosiectau gwyddoniaeth dinasyddion y gall unrhyw un sydd â ffôn symudol neu liniadur gyfrannu atynt.
Mae Arsyllfa Seryddol Genedlaethol Japan hefyd wedi sefydlu prosiect gwyddoniaeth dinasyddion o'r enw Mordaith Galaxy. Mae'r fenter yn hyfforddi gwirfoddolwyr i ddosbarthu galaethau a chwilio am arwyddion o wrthdrawiadau posibl rhwng galaethau. Galwodd prosiect dinesydd arall Sw Galaxy eisoes wedi derbyn dros 50 miliwn o ddosbarthiadau yn ystod y flwyddyn gyntaf yn unig o'i lansio.
Gan ddefnyddio data o brosiectau gwyddoniaeth dinasyddion, gallwn hyfforddi rhwydweithiau niwral i ddosbarthu galaethau yn ddosbarthiadau manylach ymhellach. Gallem hefyd ddefnyddio'r labeli gwyddoniaeth dinasyddion hyn i ddod o hyd i alaethau â nodweddion diddorol. Gall fod yn anodd dod o hyd i nodweddion fel modrwyau a lensys trwy ddefnyddio rhwydwaith niwral.
Casgliad
Mae technegau rhwydwaith nerfol yn dod yn fwyfwy poblogaidd ym maes seryddiaeth. Mae lansiad Telesgop Gofod James Webb NASA yn 2021 yn addo cyfnod newydd o seryddiaeth arsylwi. Mae'r telesgop eisoes wedi casglu terabytes o ddata, gydag o bosibl filoedd yn fwy ar y ffordd yn ei oes genhadaeth pum mlynedd.
Mae dosbarthu galaethau yn un o lawer o dasgau posibl y gellir eu cynyddu gydag ML. Gyda phrosesu data gofod yn dod yn broblem Data Mawr ei hun, rhaid i ymchwilwyr ddefnyddio dysgu peiriannau uwch yn llawn i ddeall y darlun mawr.
Gadael ymateb