La misma tecnología que impulsa el reconocimiento facial y los automóviles autónomos pronto puede ser un instrumento clave para descubrir los secretos ocultos del universo.
Los desarrollos recientes en astronomía observacional han llevado a una explosión de datos.
Potentes telescopios recopilan terabytes de datos diariamente. Para procesar esa cantidad de datos, los científicos necesitan encontrar nuevas formas de automatizar varias tareas en el campo, como medir la radiación y otros fenómenos celestes.
Una tarea particular que los astrónomos están ansiosos por acelerar es la clasificación de las galaxias. En este artículo, repasaremos por qué clasificar las galaxias es tan importante y cómo los investigadores han comenzado a confiar en técnicas avanzadas de aprendizaje automático para escalar a medida que aumenta el volumen de datos.
¿Por qué necesitamos clasificar las galaxias?
La clasificación de galaxias, conocida en el campo como morfología de galaxias, se originó en el siglo XVIII. Durante ese tiempo, Sir William Herschel observó que varias "nebulosas" se presentaban en varias formas. Su hijo John Herschel mejoró esta clasificación al distinguir entre nebulosas galácticas y nebulosas no galácticas. La última de estas dos clasificaciones es lo que conocemos y denominamos galaxias.
Hacia fines del siglo XVIII, varios astrónomos especularon que estos objetos cósmicos eran “extragalácticos” y que se encontraban fuera de nuestra propia Vía Láctea.
Hubble introdujo una nueva clasificación de galaxias en 1925 con la introducción de la secuencia de Hubble, conocida informalmente como diagrama de diapasón de Hubble.
La secuencia de Hubble dividió las galaxias en galaxias regulares e irregulares. Las galaxias regulares se dividieron además en tres amplias clases: elípticas, espirales y lenticulares.
El estudio de las galaxias nos da una idea de varios misterios clave de cómo funciona el universo. Los investigadores han utilizado las diferentes formas de las galaxias para teorizar sobre el proceso de formación estelar. Usando simulaciones, los científicos también han tratado de modelar cómo las galaxias se forman en las formas que observamos hoy.
Clasificación Morfológica Automatizada de Galaxias
La investigación sobre el uso del aprendizaje automático para clasificar galaxias ha mostrado resultados prometedores. En 2020, investigadores del Observatorio Astronómico Nacional de Japón utilizaron un técnica de aprendizaje profundo para clasificar las galaxias con precisión.
Los investigadores utilizaron un gran conjunto de datos de imágenes obtenidas de la Encuesta Subaru/Hyper Suprime-Cam (HSC). Usando su técnica, pudieron clasificar las galaxias en espirales en forma de S, espirales en forma de Z y no espirales.
Su investigación demostró las ventajas de combinar grandes datos de telescopios con deep learning tecnicas Gracias a las redes neuronales, los astrónomos ahora pueden intentar clasificar otros tipos de morfología, como barras, fusiones y objetos con lentes fuertes. Por ejemplo, investigación relacionada de MK Cavanagh y K. Bekki utilizaron CNN para investigar formaciones de barras en galaxias en fusión.
¿Cómo funciona?
Los científicos de la NAOJ se basaron en convolucional redes neuronales o CNNs para clasificar imágenes. Desde 2015, las CNN se han convertido en una técnica extremadamente precisa para clasificar ciertos objetos. Las aplicaciones del mundo real para las CNN incluyen detección de rostros en imágenes, autos sin conductor, reconocimiento de caracteres escritos a mano y reconocimiento médico. análisis de imágenes.
Pero, ¿cómo funciona una CNN?
CNN pertenece a una clase de técnicas de aprendizaje automático conocidas como clasificador. Los clasificadores pueden tomar cierta entrada y generar un punto de datos. Por ejemplo, un clasificador de letreros de calles podrá tomar una imagen y mostrar si la imagen es un letrero de calle o no.
Una CNN es un ejemplo de una red neural. Estas redes neuronales están compuestas por neuronas organizado en ponedoras. Durante la fase de entrenamiento, estas neuronas se sintonizan para adaptar pesos y sesgos específicos que ayudarán a resolver el problema de clasificación requerido.
Cuando una red neuronal recibe una imagen, toma pequeñas áreas de la imagen en lugar de todo como un todo. Cada neurona individual interactúa con otras neuronas mientras toma varias secciones de la imagen principal.
La presencia de capas convolucionales hace que CNN sea diferente de otras redes neuronales. Estas capas escanean bloques de píxeles superpuestos con el objetivo de identificar características de la imagen de entrada. Dado que conectamos neuronas que están muy juntas, la red tendrá más facilidad para comprender la imagen a medida que los datos de entrada pasan a través de cada capa.
Uso en morfología de galaxias
Cuando se utilizan para clasificar galaxias, las CNN descomponen una imagen de una galaxia en "parches" más pequeños. Usando un poco de matemáticas, la primera capa oculta intentará resolver si el parche contiene una línea o una curva. Otras capas intentarán resolver preguntas cada vez más complejas, como si el parche contiene una característica de una galaxia espiral, como la presencia de un brazo.
Si bien es relativamente fácil determinar si una sección de una imagen contiene una línea recta, se vuelve cada vez más complejo preguntar si la imagen muestra una galaxia espiral, y mucho menos qué tipo de galaxia espiral.
Con las redes neuronales, el clasificador comienza con reglas y criterios aleatorios. Estas reglas se vuelven cada vez más precisas y relevantes para el problema que estamos tratando de resolver. Al final de la fase de entrenamiento, la red neuronal ahora debería tener una buena idea de qué características buscar en una imagen.
Ampliación de la IA mediante la ciencia ciudadana
La ciencia ciudadana se refiere a la investigación científica realizada por científicos aficionados o miembros del público.
Los científicos que estudian astronomía a menudo colaboran con científicos ciudadanos para ayudar a realizar descubrimientos científicos más importantes. La NASA mantiene un lista de decenas de proyectos de ciencia ciudadana a los que cualquier persona con un teléfono móvil o un portátil puede contribuir.
El Observatorio Astronómico Nacional de Japón también ha puesto en marcha un proyecto de ciencia ciudadana conocido como crucero galáctico. La iniciativa entrena a voluntarios para clasificar galaxias y buscar signos de posibles colisiones entre galaxias. Otro proyecto ciudadano llamado Galaxy Zoo ya ha recibido más de 50 millones de clasificaciones en solo el primer año de su lanzamiento.
Usando datos de proyectos de ciencia ciudadana, podemos entrenar redes neuronales para clasificar las galaxias en clases más detalladas aún más. También podríamos usar estas etiquetas de ciencia ciudadana para encontrar galaxias con características interesantes. Las características como anillos y lentes aún pueden ser difíciles de encontrar usando una red neuronal.
Conclusión
Las técnicas de redes neuronales son cada vez más populares en el campo de la astronomía. El lanzamiento del telescopio espacial James Webb de la NASA en 2021 promete una nueva era de astronomía observacional. El telescopio ya ha recopilado terabytes de datos, y posiblemente miles más en camino en los cinco años de vida útil de su misión.
Clasificar galaxias es solo una de las muchas tareas potenciales que se pueden ampliar con ML. Con el procesamiento de datos espaciales convirtiéndose en su propio problema de Big Data, los investigadores deben emplear el aprendizaje automático avanzado para comprender el panorama general.
Deje un comentario