La sama teknologio, kiu veturas vizaĝan rekonon kaj memveturantajn aŭtojn, eble baldaŭ estos ŝlosila instrumento por malŝlosi la kaŝitajn sekretojn de la universo.
Lastatempaj evoluoj en observa astronomio kaŭzis eksplodon de datenoj.
Potencaj teleskopoj kolektas terabajtojn da datumoj ĉiutage. Por prilabori tiom da datumoj, sciencistoj devas trovi novajn manierojn por aŭtomatigi diversajn taskojn en la kampo, kiel mezuri radiadon kaj aliajn ĉielajn fenomenojn.
Unu aparta tasko, kiun astronomoj volas akceli, estas la klasifiko de galaksioj. En ĉi tiu artikolo, ni trarigardos kial klasifiki galaksiojn estas tiel grava kaj kiel esploristoj komencis fidi al altnivelaj maŝinlernado-teknikoj por pligrandigi dum la volumo de datumoj pliiĝas.
Kial ni bezonas klasifiki galaksiojn?
La klasifiko de galaksioj, konata en la kampo kiel galaksiomorfologio, originis en la 18-a jarcento. Dum tiu tempo, Sir William Herschel observis ke diversaj "nebulozoj" venis en diversaj formoj. Lia filo John Herschel pliboniĝis je tiu klasifiko distingante inter galaksiaj nebulozoj kaj ne-galaksiaj nebulozoj. Ĉi-lasta el ĉi tiuj du klasifikoj estas kion ni konas kaj nomas galaksioj.
Direkte al la fino de la 18-a jarcento, diversaj astronomoj konjektis ke tiuj kosmaj objektoj estis "ekster-galaksiaj", kaj ke ili kuŝas ekster nia propra Lakta Vojo.
Hubble lanĉis novan klasifikon de galaksioj en 1925 kun la enkonduko de la Hubble-sekvenco, konata neformale kiel la Hubble diapazona diagramo.
La sekvenco de Hubble dividis galaksiojn en regulajn kaj neregulajn galaksiojn. La regulaj galaksioj estis plue dividitaj en tri larĝajn klasojn: Elipsoj, spiraloj, kaj lentikulaj.
La studo de galaksioj donas al ni sciojn pri pluraj ŝlosilaj misteroj pri kiel la universo funkcias. Esploristoj uzis la malsamajn formojn de galaksioj por teoriigi pri la stelforma procezo. Uzante simulaĵojn, sciencistoj ankaŭ provis modeligi kiel galaksioj mem formiĝas en la formojn kiujn ni observas hodiaŭ.
Aŭtomatigita Morfologia Klasifiko de Galaksioj
Esplorado pri uzado de maŝinlernado por klasifiki galaksiojn montris esperigajn rezultojn. En 2020, esploristoj de la Nacia Astronomia Observatorio de Japanio uzis a profunda lernado tekniko por precize klasifiki galaksiojn.
La esploristoj uzis grandan datumaron de bildoj akiritaj de la Subaru/Hyper Suprime-Cam (HSC) Enketo. Uzante ilian teknikon, ili povis klasifiki galaksiojn en S-saĝajn spiralojn, Z-saĝajn spiralojn, kaj ne-spiralojn.
Ilia esplorado pruvis la avantaĝojn de kombini grandajn datumojn de teleskopoj kun profunda lernado teknikoj. Pro neŭralaj retoj, astronomoj nun povas provi klasifiki aliajn specojn de morfologio kiel ekzemple stangoj, fuzioj, kaj forte lensitaj objektoj. Ekzemple, rilata esploro de MK Cavanagh kaj K. Bekki uzis CNNojn por esplori drinkejformaciojn en kunfandado de galaksioj.
Kiel ĝi funkcias
La sciencistoj de la NAOJ fidis je konvolucio Neŭraj retoj aŭ CNN-oj por klasifiki bildojn. Ekde 2015, CNN-oj fariĝis ekstreme preciza tekniko por klasifiki certajn objektojn. Real-mondaj aplikoj por CNNoj inkluzivas vizaĝo-detekton en bildoj, memveturantaj aŭtoj, manskribita signorekono kaj medicina. analizo de bildoj.
Sed kiel funkcias CNN?
CNN apartenas al klaso de maŝinlernantaj teknikoj konataj kiel klasigilo. Klasifikiloj povas preni certan enigaĵon kaj eligi datenpunkton. Ekzemple, stratsigna klasigilo povos preni bildon kaj eligi ĉu la bildo estas stratsigno aŭ ne.
CNN estas ekzemplo de a Neŭra reto. Tiuj neŭralaj retoj estas kunmetitaj neŭronoj organizita en manteloj. Dum la trejna fazo, ĉi tiuj neŭronoj estas agorditaj por adapti specifajn pezojn kaj biasojn, kiuj helpos solvi la postulatan klasifikproblemon.
Kiam neŭrala reto ricevas bildon, ĝi prenas en malgrandajn areojn de la bildo prefere ol ĉion kiel tuto, Ĉiu individua neŭrono interagas kun aliaj neŭronoj kiel ĝi prenas en diversaj sekcioj de la ĉefa bildo.
La ĉeesto de konvoluciaj tavoloj igas CNN diferenca de aliaj neŭralaj retoj. Ĉi tiuj tavoloj skanas imbrikitajn blokojn de pikseloj kun la celo identigi trajtojn de la eniga bildo. Ĉar ni konektas neŭronojn kiuj estas proksime kune, la reto havos pli facilan tempon kompreni la bildon kiam la enirdatenoj pasas tra ĉiu tavolo.
Uzado en Galaksia Morfologio
Se uzite en klasifikado de galaksioj, CNN-oj malkonstruas bildon de galaksio en pli malgrandajn "pecetojn". Uzante iom da matematiko, la unua kaŝita tavolo provos solvi ĉu la peceto enhavas linion aŭ kurbon. Pliaj tavoloj provos solvi ĉiam pli kompleksajn demandojn kiel ĉu la peceto enhavas trajton de spirala galaksio, kiel la ĉeesto de brako.
Dum estas relative facile determini ĉu sekcio de bildo enhavas rektan linion, iĝas ĉiam pli kompleksa demandi ĉu la bildo montras spiralan galaksion, des malpli kian spiralan galaksion.
Kun neŭralaj retoj, la klasigilo komenciĝas per hazardaj reguloj kaj kriterioj. Ĉi tiuj reguloj malrapide fariĝas pli kaj pli precizaj kaj rilataj al la problemo, kiun ni provas solvi. Antaŭ la fino de la trejna fazo, la neŭrala reto nun devus havi bonan ideon pri kiaj funkcioj serĉi en bildo.
Etendante AI uzante Civitanan Sciencon
Civitanscienco rilatas al scienca esplorado farita fare de amatoraj sciencistoj aŭ publikaj membroj.
Sciencistoj studantaj astronomion ofte kunlaboras kun civitanaj sciencistoj por helpi fari pli gravajn sciencajn eltrovaĵojn. NASA subtenas a listo de dekoj da civitansciencoprojektoj al kiuj povas kontribui ĉiu kun poŝtelefono aŭ tekkomputilo.
La Nacia Astronomia Observatorio de Japanio ankaŭ prezentis civitansciencon projekton konatan kiel Galaksia Krozado. La iniciato trejnas volontulojn por klasifiki galaksiojn kaj serĉi signojn de eblaj kolizioj inter galaksioj. Alia civitana projekto vokis Galaksia Zoo jam ricevis pli ol 50 milionojn da klasifikoj en nur la unua jaro da lanĉo.
Uzante datumojn de civitansciencoprojektoj, ni povas trejni neŭralaj retoj por klasifiki galaksiojn en pli detalajn klasojn plu. Ni ankaŭ povus uzi ĉi tiujn civitanscienco-etikedojn por trovi galaksiojn kun interesaj trajtoj. Trajtoj kiel ringoj kaj lensoj ankoraŭ povas esti malfacile troveblaj uzante neŭralan reton.
konkludo
Neŭralaj retoteknikoj iĝas ĉiam pli popularaj en la kampo de astronomio. La lanĉo de la Kosmoteleskopo James Webb de NASA en 2021 promesas novan epokon de observa astronomio. La teleskopo jam kolektis terabajtojn da datenoj, kun eble miloj pli survoje en sia kvinjara misiovivo.
Klasifikado de galaksioj estas nur unu el multaj eblaj taskoj, kiuj povas esti pligrandigitaj per ML. Kun spaca datumtraktado fariĝanta sia propra Big Data problemo, esploristoj devas plene uzi altnivelan maŝinlernadon por kompreni la grandan bildon.
Lasi Respondon