Η ίδια τεχνολογία που οδηγεί την αναγνώριση προσώπου και τα αυτοοδηγούμενα αυτοκίνητα μπορεί σύντομα να αποτελέσει βασικό όργανο για το ξεκλείδωμα των κρυμμένων μυστικών του σύμπαντος.
Οι πρόσφατες εξελίξεις στην παρατηρησιακή αστρονομία έχουν οδηγήσει σε έκρηξη δεδομένων.
Πανίσχυρα τηλεσκόπια συγκεντρώνουν terabyte δεδομένων καθημερινά. Για να επεξεργαστούν τόσα πολλά δεδομένα, οι επιστήμονες πρέπει να βρουν νέους τρόπους για να αυτοματοποιήσουν διάφορες εργασίες στο πεδίο, όπως η μέτρηση της ακτινοβολίας και άλλων ουράνιων φαινομένων.
Ένα ιδιαίτερο έργο που οι αστρονόμοι είναι πρόθυμοι να επιταχύνουν είναι η ταξινόμηση των γαλαξιών. Σε αυτό το άρθρο, θα εξετάσουμε γιατί η ταξινόμηση των γαλαξιών είναι τόσο σημαντική και πώς οι ερευνητές άρχισαν να βασίζονται σε προηγμένες τεχνικές μηχανικής μάθησης για να κλιμακώνονται καθώς αυξάνεται ο όγκος των δεδομένων.
Γιατί χρειάζεται να ταξινομήσουμε τους γαλαξίες;
Η ταξινόμηση των γαλαξιών, γνωστή στο πεδίο ως μορφολογία γαλαξιών, ξεκίνησε τον 18ο αιώνα. Κατά τη διάρκεια αυτής της περιόδου, ο Sir William Herschel παρατήρησε ότι διάφορα «νεφελώματα» εμφανίζονταν σε διάφορες μορφές. Ο γιος του John Herschel βελτίωσε αυτήν την ταξινόμηση κάνοντας διάκριση μεταξύ γαλαξιακών νεφελωμάτων και μη γαλαξιακών νεφελωμάτων. Η τελευταία από αυτές τις δύο ταξινομήσεις είναι αυτό που γνωρίζουμε και αποκαλούμε γαλαξίες.
Προς τα τέλη του 18ου αιώνα, διάφοροι αστρονόμοι υπέθεσαν ότι αυτά τα κοσμικά αντικείμενα ήταν «εξωγαλαξιακά» και ότι βρίσκονται έξω από τον δικό μας Γαλαξία.
Το Hubble εισήγαγε μια νέα ταξινόμηση των γαλαξιών το 1925 με την εισαγωγή της ακολουθίας Hubble, γνωστή ανεπίσημα ως διάγραμμα συντονισμού-διχάλας Hubble.
Η ακολουθία του Hubble χώριζε τους γαλαξίες σε κανονικούς και ακανόνιστους γαλαξίες. Οι κανονικοί γαλαξίες χωρίστηκαν περαιτέρω σε τρεις ευρείες κατηγορίες: Ελλειπτικούς, σπειροειδείς και φακοειδείς.
Η μελέτη των γαλαξιών μας δίνει μια εικόνα για πολλά βασικά μυστήρια για το πώς λειτουργεί το σύμπαν. Οι ερευνητές έχουν χρησιμοποιήσει τις διαφορετικές μορφές γαλαξιών για να διατυπώσουν θεωρίες σχετικά με τη διαδικασία σχηματισμού άστρων. Χρησιμοποιώντας προσομοιώσεις, οι επιστήμονες προσπάθησαν επίσης να μοντελοποιήσουν πώς οι ίδιοι οι γαλαξίες σχηματίζονται στα σχήματα που παρατηρούμε σήμερα.
Αυτοματοποιημένη Μορφολογική Ταξινόμηση Γαλαξιών
Η έρευνα σχετικά με τη χρήση της μηχανικής μάθησης για την ταξινόμηση των γαλαξιών έχει δείξει πολλά υποσχόμενα αποτελέσματα. Το 2020, ερευνητές από το Εθνικό Αστρονομικό Παρατηρητήριο της Ιαπωνίας χρησιμοποίησαν α τεχνική βαθιάς μάθησης για την ακριβή ταξινόμηση των γαλαξιών.
Οι ερευνητές χρησιμοποίησαν ένα μεγάλο σύνολο δεδομένων εικόνων που ελήφθησαν από την έρευνα Subaru/Hyper Suprime-Cam (HSC). Χρησιμοποιώντας την τεχνική τους, μπορούσαν να ταξινομήσουν τους γαλαξίες σε σπείρες S-wise, σπείρες με Z-wise και μη-σπείρες.
Η έρευνά τους απέδειξε τα πλεονεκτήματα του συνδυασμού μεγάλων δεδομένων από τηλεσκόπια με βαθιά μάθηση τεχνικές. Λόγω των νευρωνικών δικτύων, οι αστρονόμοι μπορούν τώρα να δοκιμάσουν να ταξινομήσουν άλλους τύπους μορφολογίας, όπως ράβδους, συγχωνεύσεις και αντικείμενα με ισχυρό φακό. Για παράδειγμα, σχετική έρευνα από τους MK Cavanagh και K. Bekki χρησιμοποίησαν CNN για να διερευνήσουν σχηματισμούς ράβδων σε συγχώνευση γαλαξιών.
Πώς Λειτουργεί
Οι επιστήμονες από το NAOJ βασίστηκαν στο συνελικτικό νευρωνικά δίκτυα ή CNN για ταξινόμηση εικόνων. Από το 2015, τα CNN έχουν γίνει μια εξαιρετικά ακριβής τεχνική για την ταξινόμηση ορισμένων αντικειμένων. Οι εφαρμογές του πραγματικού κόσμου για CNN περιλαμβάνουν ανίχνευση προσώπου σε εικόνες, αυτοοδηγούμενα αυτοκίνητα, χειρόγραφη αναγνώριση χαρακτήρων και ιατρική ανάλυση εικόνων.
Πώς λειτουργεί όμως ένα CNN;
Το CNN ανήκει σε μια κατηγορία τεχνικών μηχανικής εκμάθησης γνωστών ως ταξινομητής. Οι ταξινομητές μπορούν να λάβουν συγκεκριμένη είσοδο και έξοδο από ένα σημείο δεδομένων. Για παράδειγμα, ένας ταξινομητής πινακίδων δρόμου θα μπορεί να τραβήξει μια εικόνα και να εξάγει εάν η εικόνα είναι πινακίδα ή όχι.
Ένα CNN είναι ένα παράδειγμα α νευρικό σύστημα. Αυτά τα νευρωνικά δίκτυα αποτελούνται από νευρώνες οργανωμένο σε στρώματα. Κατά τη φάση της εκπαίδευσης, αυτοί οι νευρώνες είναι συντονισμένοι για να προσαρμόζουν συγκεκριμένα βάρη και προκαταλήψεις που θα βοηθήσουν στην επίλυση του απαιτούμενου προβλήματος ταξινόμησης.
Όταν ένα νευρωνικό δίκτυο λαμβάνει μια εικόνα, παίρνει μικρές περιοχές της εικόνας και όχι τα πάντα ως σύνολο. Κάθε μεμονωμένος νευρώνας αλληλεπιδρά με άλλους νευρώνες όπως παίρνει σε διάφορα τμήματα της κύριας εικόνας.
Η παρουσία συνελικτικών στρωμάτων κάνει το CNN διαφορετικό από άλλα νευρωνικά δίκτυα. Αυτά τα επίπεδα σαρώνουν επικαλυπτόμενα μπλοκ pixel με στόχο τον εντοπισμό χαρακτηριστικών από την εικόνα εισόδου. Εφόσον συνδέουμε νευρώνες που βρίσκονται κοντά μεταξύ τους, το δίκτυο θα έχει ευκολότερο χρόνο να κατανοήσει την εικόνα καθώς τα δεδομένα εισόδου περνούν από κάθε επίπεδο.
Χρήση στη Μορφολογία Γαλαξιών
Όταν χρησιμοποιούνται για την ταξινόμηση γαλαξιών, τα CNN διασπούν την εικόνα ενός γαλαξία σε μικρότερα «μπαλώματα». Χρησιμοποιώντας λίγο μαθηματικά, το πρώτο κρυφό στρώμα θα προσπαθήσει να λύσει εάν η ενημερωμένη έκδοση κώδικα περιέχει γραμμή ή καμπύλη. Περαιτέρω στρώματα θα προσπαθήσουν να λύσουν όλο και πιο περίπλοκα ερωτήματα, όπως το αν το έμπλαστρο περιέχει ένα χαρακτηριστικό ενός σπειροειδούς γαλαξία, όπως η παρουσία ενός βραχίονα.
Ενώ είναι σχετικά εύκολο να προσδιοριστεί εάν ένα τμήμα μιας εικόνας περιέχει μια ευθεία γραμμή, γίνεται όλο και πιο περίπλοκο να ρωτήσουμε εάν η εικόνα δείχνει έναν σπειροειδή γαλαξία, πόσο μάλλον τι τύπο σπειροειδούς γαλαξία.
Με τα νευρωνικά δίκτυα, ο ταξινομητής ξεκινά με τυχαίους κανόνες και κριτήρια. Αυτοί οι κανόνες γίνονται σιγά σιγά όλο και πιο ακριβείς και σχετικοί με το πρόβλημα που προσπαθούμε να λύσουμε. Μέχρι το τέλος της φάσης εκπαίδευσης, το νευρωνικό δίκτυο θα πρέπει τώρα να έχει μια καλή ιδέα για τα χαρακτηριστικά που πρέπει να αναζητήσει σε μια εικόνα.
Επέκταση της τεχνητής νοημοσύνης χρησιμοποιώντας την Επιστήμη των πολιτών
Η επιστήμη του πολίτη αναφέρεται στην επιστημονική έρευνα που διεξάγεται από ερασιτέχνες επιστήμονες ή μέλη του κοινού.
Οι επιστήμονες που μελετούν την αστρονομία συχνά συνεργάζονται με πολίτες επιστήμονες για να βοηθήσουν στην πραγματοποίηση πιο σημαντικών επιστημονικών ανακαλύψεων. Η NASA διατηρεί α λίστα από δεκάδες έργα επιστήμης των πολιτών στα οποία μπορεί να συνεισφέρει όποιος έχει κινητό ή φορητό υπολογιστή.
Το Εθνικό Αστρονομικό Παρατηρητήριο της Ιαπωνίας έχει επίσης δημιουργήσει ένα πρόγραμμα επιστήμης των πολιτών γνωστό ως Galaxy Cruise. Η πρωτοβουλία εκπαιδεύει εθελοντές να ταξινομούν τους γαλαξίες και να αναζητούν σημάδια πιθανών συγκρούσεων μεταξύ γαλαξιών. Ένα άλλο έργο πολιτών που ονομάζεται Γαλαξιακός ζωολογικός κήπος έχει ήδη λάβει πάνω από 50 εκατομμύρια ταξινομήσεις μόλις τον πρώτο χρόνο κυκλοφορίας.
Χρησιμοποιώντας δεδομένα από έργα επιστήμης των πολιτών, μπορούμε τρένο νευρωνικών δικτύων να ταξινομήσει τους γαλαξίες σε πιο λεπτομερείς κατηγορίες περαιτέρω. Θα μπορούσαμε επίσης να χρησιμοποιήσουμε αυτές τις ετικέτες επιστήμης των πολιτών για να βρούμε γαλαξίες με ενδιαφέροντα χαρακτηριστικά. Χαρακτηριστικά όπως οι δακτύλιοι και οι φακοί μπορεί να είναι ακόμα δύσκολο να βρεθούν χρησιμοποιώντας ένα νευρωνικό δίκτυο.
Συμπέρασμα
Οι τεχνικές νευρωνικών δικτύων γίνονται όλο και πιο δημοφιλείς στον τομέα της αστρονομίας. Η εκτόξευση του διαστημικού τηλεσκοπίου James Webb της NASA το 2021 υπόσχεται μια νέα εποχή παρατηρητικής αστρονομίας. Το τηλεσκόπιο έχει ήδη συλλέξει terabyte δεδομένων, με πιθανώς χιλιάδες περισσότερα στο δρόμο κατά την πενταετή διάρκεια ζωής της αποστολής του.
Η ταξινόμηση γαλαξιών είναι μόνο μία από τις πολλές πιθανές εργασίες που μπορούν να κλιμακωθούν με την ML. Καθώς η επεξεργασία διαστημικών δεδομένων γίνεται το δικό της πρόβλημα Μεγάλων Δεδομένων, οι ερευνητές πρέπει να χρησιμοποιήσουν πλήρως την προηγμένη μηχανική μάθηση για να κατανοήσουν τη μεγάλη εικόνα.
Αφήστε μια απάντηση