Den samme teknologi, der driver ansigtsgenkendelse og selvkørende biler, kan snart blive et nøgleinstrument til at låse op for universets skjulte hemmeligheder.
Den seneste udvikling inden for observationsastronomi har ført til en eksplosion af data.
Kraftfulde teleskoper indsamler dagligt terabyte data. For at behandle så mange data skal forskerne finde nye måder at automatisere forskellige opgaver på området, såsom måling af stråling og andre himmelfænomener.
En særlig opgave, som astronomer er ivrige efter at fremskynde, er klassificeringen af galakser. I denne artikel vil vi gennemgå, hvorfor klassificering af galakser er så vigtig, og hvordan forskere er begyndt at stole på avancerede maskinlæringsteknikker for at opskalere, efterhånden som mængden af data stiger.
Hvorfor skal vi klassificere galakser?
Klassificeringen af galakser, kendt på området som galaksemorfologi, opstod i det 18. århundrede. I løbet af den tid observerede Sir William Herschel, at forskellige 'tåger' kom i forskellige former. Hans søn John Herschel forbedrede denne klassificering ved at skelne mellem galaktiske tåger og ikke-galaktiske tåger. Sidstnævnte af disse to klassifikationer er, hvad vi kender og omtaler som galakser.
Mod slutningen af det 18. århundrede spekulerede forskellige astronomer i, at disse kosmiske objekter var "ekstra-galaktiske", og at de ligger uden for vores egen Mælkevej.
Hubble introducerede en ny klassificering af galakser i 1925 med introduktionen af Hubble-sekvensen, kendt uformelt som Hubble-stemmegaffeldiagrammet.
Hubbles sekvens opdelte galakser i regulære og uregelmæssige galakser. De regulære galakser blev yderligere opdelt i tre brede klasser: elliptiske, spiraler og linseformede.
Studiet af galakser giver os indsigt i flere centrale mysterier om, hvordan universet fungerer. Forskere har brugt de forskellige former for galakser til at teoretisere om stjernedannelsesprocessen. Ved hjælp af simuleringer har forskere også forsøgt at modellere, hvordan galakser selv dannes til de former, som vi observerer i dag.
Automatiseret morfologisk klassificering af galakser
Forskning i at bruge maskinlæring til at klassificere galakser har vist lovende resultater. I 2020 brugte forskere fra National Astronomical Observatory of Japan en dyb læringsteknik at klassificere galakser præcist.
Forskerne brugte et stort datasæt af billeder fra Subaru/Hyper Suprime-Cam (HSC) Survey. Ved at bruge deres teknik kunne de klassificere galakser i S-vise spiraler, Z-vise spiraler og ikke-spiraler.
Deres forskning viste fordelene ved at kombinere big data fra teleskoper med dyb læring teknikker. På grund af neurale net kan astronomer nu prøve at klassificere andre typer morfologi, såsom søjler, fusioner og stærkt linsede objekter. For eksempel, relateret forskning fra MK Cavanagh og K. Bekki brugte CNN'er til at undersøge stangformationer i fusionerende galakser.
Hvordan det virker
Forskerne fra NAOJ stolede på convolutional neurale netværk eller CNN'er for at klassificere billeder. Siden 2015 er CNN'er blevet en ekstremt præcis teknik til at klassificere bestemte objekter. Virkelige applikationer til CNN'er inkluderer ansigtsgenkendelse i billeder, selvkørende biler, håndskrevet karaktergenkendelse og medicinsk billedanalyse.
Men hvordan fungerer et CNN?
CNN tilhører en klasse af maskinlæringsteknikker kendt som en klassifikator. Klassifikatorer kan tage visse input og output et datapunkt. For eksempel vil en gadeskilteklassificerer være i stand til at tage et billede ind og udskrive, om billedet er et gadeskilt eller ej.
Et CNN er et eksempel på en neurale netværk. Disse neurale netværk er sammensat af neuroner organiseret i lag. Under træningsfasen er disse neuroner indstillet til at tilpasse specifikke vægte og skævheder, der vil hjælpe med at løse det krævede klassificeringsproblem.
Når et neuralt netværk modtager et billede, optager det små områder af billedet snarere end alt som helhed. Hver individuel neuron interagerer med andre neuroner, når den optager forskellige dele af hovedbilledet.
Tilstedeværelsen af foldningslag gør CNN anderledes end andre neurale netværk. Disse lag scanner overlappende pixelblokke med det formål at identificere funktioner fra inputbilledet. Da vi forbinder neuroner, der er tæt på hinanden, vil netværket have lettere ved at forstå billedet, når inputdataene passerer gennem hvert lag.
Anvendelse i galaksemorfologi
Når de bruges til at klassificere galakser, opdeler CNN'er et billede af en galakse i mindre "pletter". Ved hjælp af lidt matematik vil det første skjulte lag forsøge at løse, om patchen indeholder en linje eller kurve. Yderligere lag vil forsøge at løse stadig mere komplekse spørgsmål, såsom om plastret indeholder en egenskab af en spiralgalakse, såsom tilstedeværelsen af en arm.
Selvom det er relativt nemt at afgøre, om et udsnit af et billede indeholder en lige linje, bliver det stadig mere komplekst at spørge, om billedet viser en spiralgalakse, endsige hvilken type spiralgalakse.
Med neurale netværk starter klassificereren med tilfældige regler og kriterier. Disse regler bliver langsomt mere og mere præcise og relevante for det problem, vi forsøger at løse. Ved slutningen af træningsfasen skulle det neurale netværk nu have en god idé om, hvilke funktioner man skal kigge efter i et billede.
Udvidelse af kunstig intelligens ved hjælp af Citizen Science
Citizen science refererer til videnskabelig forskning udført af amatørforskere eller offentlige medlemmer.
Forskere, der studerer astronomi, samarbejder ofte med borgerforskere for at hjælpe med at gøre vigtigere videnskabelige opdagelser. NASA fastholder en liste af snesevis af borgervidenskabelige projekter, som alle med en mobiltelefon eller bærbar kan bidrage til.
Japans National Astronomical Observatory har også oprettet et borgervidenskabsprojekt kendt som Galaxy Cruise. Initiativet træner frivillige til at klassificere galakser og lede efter tegn på potentielle kollisioner mellem galakser. Endnu et borgerprojekt kaldt Galaxy Zoo har allerede modtaget over 50 millioner klassifikationer på blot det første år efter lanceringen.
Ved hjælp af data fra borgervidenskabelige projekter kan vi træne neurale netværk at klassificere galakser i mere detaljerede klasser yderligere. Vi kunne også bruge disse borgervidenskabelige etiketter til at finde galakser med interessante funktioner. Funktioner som ringe og linser kan stadig være svære at finde ved hjælp af et neuralt netværk.
Konklusion
Neurale netværksteknikker bliver stadig mere populære inden for astronomi. Opsendelsen af NASAs James Webb-rumteleskop i 2021 lover en ny æra inden for observationsastronomi. Teleskopet har allerede indsamlet terabytes af data, med muligvis tusinder mere på vej i sin femårige missions levetid.
Klassificering af galakser er blot en af mange potentielle opgaver, der kan skaleres op med ML. Med rumdatabehandling ved at blive sit eget Big Data-problem, må forskere anvende avanceret maskinlæring fuldt ud for at forstå det store billede.
Giv en kommentar