Dieselbe Technologie, die Gesichtserkennung und selbstfahrende Autos antreibt, könnte bald ein Schlüsselinstrument sein, um die verborgenen Geheimnisse des Universums zu entschlüsseln.
Die jüngsten Entwicklungen in der beobachtenden Astronomie haben zu einer Datenexplosion geführt.
Leistungsstarke Teleskope sammeln täglich Terabytes an Daten. Um so viele Daten zu verarbeiten, müssen Wissenschaftler neue Wege finden, um verschiedene Aufgaben im Feld zu automatisieren, wie z. B. das Messen von Strahlung und anderen Himmelsphänomenen.
Eine besondere Aufgabe, die Astronomen unbedingt beschleunigen wollen, ist die Klassifizierung von Galaxien. In diesem Artikel werden wir erläutern, warum die Klassifizierung von Galaxien so wichtig ist und wie Forscher begonnen haben, sich auf fortschrittliche Techniken des maschinellen Lernens zu verlassen, um mit zunehmendem Datenvolumen zu skalieren.
Warum müssen wir Galaxien klassifizieren?
Die Klassifizierung von Galaxien, in der Fachwelt als Galaxienmorphologie bekannt, stammt aus dem 18. Jahrhundert. Während dieser Zeit beobachtete Sir William Herschel, dass verschiedene „Nebel“ in verschiedenen Formen auftauchten. Sein Sohn John Herschel verbesserte diese Klassifizierung, indem er zwischen galaktischen Nebeln und nicht-galaktischen Nebeln unterschied. Die letztere dieser beiden Klassifikationen ist das, was wir als Galaxien kennen und bezeichnen.
Gegen Ende des 18. Jahrhunderts spekulierten verschiedene Astronomen, dass diese kosmischen Objekte „extragalaktisch“ seien und außerhalb unserer eigenen Milchstraße liegen.
Hubble führte 1925 mit der Einführung der Hubble-Sequenz, die informell als Hubble-Stimmgabeldiagramm bekannt ist, eine neue Klassifikation von Galaxien ein.
Hubbles Sequenz unterteilte Galaxien in reguläre und irreguläre Galaxien. Die regulären Galaxien wurden weiter in drei große Klassen eingeteilt: Ellipsen, Spiralen und Linsen.
Das Studium der Galaxien gibt uns Einblick in mehrere Schlüsselgeheimnisse der Funktionsweise des Universums. Forscher haben die verschiedenen Formen von Galaxien verwendet, um Theorien über den Sternentstehungsprozess aufzustellen. Mithilfe von Simulationen haben Wissenschaftler auch versucht zu modellieren, wie sich Galaxien selbst in die Formen formen, die wir heute beobachten.
Automatisierte morphologische Klassifizierung von Galaxien
Die Forschung zur Verwendung von maschinellem Lernen zur Klassifizierung von Galaxien hat vielversprechende Ergebnisse gezeigt. Im Jahr 2020 verwendeten Forscher des National Astronomical Observatory of Japan a Deep-Learning-Technik Galaxien genau zu klassifizieren.
Die Forscher verwendeten einen großen Datensatz von Bildern, die aus der Subaru/Hyper Suprime-Cam (HSC)-Umfrage stammen. Mit ihrer Technik konnten sie Galaxien in S-Wise-Spiralen, Z-Wise-Spiralen und Nicht-Spiralen klassifizieren.
Ihre Forschung zeigte die Vorteile der Kombination von Big Data von Teleskopen mit tiefe Lernen Techniken. Dank neuronaler Netze können Astronomen nun versuchen, andere Arten von Morphologien wie Balken, Verschmelzungen und Objekte mit starker Linse zu klassifizieren. Zum Beispiel, verwandte Forschung von MK Cavanagh und K. Bekki nutzten CNNs, um Balkenformationen in verschmelzenden Galaxien zu untersuchen.
Wie es funktioniert
Die Wissenschaftler des NAOJ setzten auf Convolutional Neuronale Netze oder CNNs zur Klassifizierung von Bildern. Seit 2015 sind CNNs zu einer äußerst genauen Technik zur Klassifizierung bestimmter Objekte geworden. Zu den realen Anwendungen für CNNs gehören die Gesichtserkennung in Bildern, selbstfahrende Autos, die Erkennung handschriftlicher Zeichen und medizinische Anwendungen Bildanalyse.
Aber wie funktioniert ein CNN?
CNN gehört zu einer Klasse von maschinellen Lerntechniken, die als Klassifikator bekannt sind. Klassifikatoren können bestimmte Eingaben annehmen und einen Datenpunkt ausgeben. Beispielsweise kann ein Straßenschild-Klassifikator ein Bild aufnehmen und ausgeben, ob das Bild ein Straßenschild ist oder nicht.
Ein CNN ist ein Beispiel für a neuronale Netzwerk. Diese neuronalen Netze bestehen aus Neuronen organisiert in Lagen. Während der Trainingsphase werden diese Neuronen so eingestellt, dass sie bestimmte Gewichtungen und Verzerrungen anpassen, die zur Lösung des erforderlichen Klassifizierungsproblems beitragen.
Wenn ein neuronales Netzwerk ein Bild empfängt, nimmt es eher kleine Bereiche des Bildes als alles als Ganzes auf. Jedes einzelne Neuron interagiert mit anderen Neuronen, während es verschiedene Abschnitte des Hauptbildes aufnimmt.
Das Vorhandensein von Faltungsschichten unterscheidet CNN von anderen neuronalen Netzen. Diese Schichten scannen überlappende Pixelblöcke mit dem Ziel, Merkmale aus dem Eingabebild zu identifizieren. Da wir eng beieinander liegende Neuronen verbinden, wird es dem Netzwerk leichter fallen, das Bild zu verstehen, wenn die Eingabedaten jede Schicht durchlaufen.
Verwendung in der Galaxienmorphologie
Bei der Klassifizierung von Galaxien zerlegen CNNs ein Bild einer Galaxie in kleinere „Flecken“. Mit ein bisschen Mathematik versucht die erste verborgene Ebene zu lösen, ob der Patch eine Linie oder eine Kurve enthält. Weitere Schichten werden versuchen, immer komplexere Fragen zu lösen, z. B. ob der Patch ein Merkmal einer Spiralgalaxie enthält, beispielsweise das Vorhandensein eines Arms.
Während es relativ einfach ist festzustellen, ob ein Bildausschnitt eine gerade Linie enthält, wird es immer komplexer zu fragen, ob das Bild eine Spiralgalaxie zeigt, geschweige denn welche Art von Spiralgalaxie.
Bei neuronalen Netzen beginnt der Klassifikator mit zufälligen Regeln und Kriterien. Diese Regeln werden langsam immer präziser und relevanter für das Problem, das wir zu lösen versuchen. Am Ende der Trainingsphase sollte das neuronale Netz nun eine gute Vorstellung davon haben, auf welche Merkmale es in einem Bild achten muss.
KI mit Citizen Science erweitern
Citizen Science bezieht sich auf wissenschaftliche Forschung, die von Amateurwissenschaftlern oder öffentlichen Mitgliedern durchgeführt wird.
Wissenschaftler, die Astronomie studieren, arbeiten oft mit Citizen Scientists zusammen, um zu wichtigeren wissenschaftlichen Entdeckungen beizutragen. Die NASA unterhält a Liste von Dutzenden von Citizen-Science-Projekten, zu denen jeder mit einem Handy oder Laptop beitragen kann.
Das National Astronomical Observatory of Japan hat ebenfalls ein Bürgerwissenschaftsprojekt mit dem Namen „ Galaxie-Kreuzfahrt. Die Initiative schult Freiwillige darin, Galaxien zu klassifizieren und nach Anzeichen für mögliche Kollisionen zwischen Galaxien zu suchen. Ein weiteres Bürgerprojekt rief an Galaxy Zoo hat bereits im ersten Jahr der Markteinführung über 50 Millionen Klassifizierungen erhalten.
Mithilfe von Daten aus Citizen-Science-Projekten ist uns das möglich Trainieren Sie neuronale Netze um Galaxien weiter in detailliertere Klassen zu klassifizieren. Wir könnten diese Citizen-Science-Labels auch nutzen, um Galaxien mit interessanten Eigenschaften zu finden. Merkmale wie Ringe und Linsen sind mit einem neuronalen Netzwerk möglicherweise immer noch schwer zu finden.
Zusammenfassung
Neuronale Netzwerktechniken werden auf dem Gebiet der Astronomie immer beliebter. Der Start des James-Webb-Weltraumteleskops der NASA im Jahr 2021 verspricht eine neue Ära der beobachtenden Astronomie. Das Teleskop hat bereits Terabytes an Daten gesammelt, und während seiner fünfjährigen Missionsdauer sind möglicherweise Tausende weitere unterwegs.
Die Klassifizierung von Galaxien ist nur eine von vielen möglichen Aufgaben, die mit ML skaliert werden können. Da die Weltraumdatenverarbeitung zu einem eigenen Big-Data-Problem wird, müssen Forscher fortschrittliches maschinelles Lernen vollständig einsetzen, um das Gesamtbild zu verstehen.
Hinterlassen Sie uns einen Kommentar