Aurpegi-ezagutza eta autoak gidatzen dituen teknologia bera laster funtsezko tresna izan daiteke unibertsoaren ezkutuko sekretuak desblokeatzeko.
Behaketa-astronomiaren azken garapenek datuen eztanda ekarri dute.
Teleskopio indartsuek terabyte datu biltzen dituzte egunero. Hainbeste datu prozesatzeko, zientzialariek arloko hainbat zeregin automatizatzeko modu berriak aurkitu behar dituzte, esate baterako, erradiazioa eta zeruko beste fenomeno batzuk neurtzea.
Astronomoek bizkortu nahi duten zeregin berezi bat galaxien sailkapena da. Artikulu honetan, galaxiak sailkatzea zergatik den hain garrantzitsua eta ikertzaileak ikaskuntza automatikoko teknika aurreratuetan oinarritzen nola hasi diren azalduko dugu datuen bolumena handitu ahala eskalatzeko.
Zergatik sailkatu behar ditugu galaxiak?
Galaxien sailkapena, eremuan galaxien morfologia bezala ezagutzen dena, XVIII. Garai hartan, Sir William Herschelek ikusi zuen hainbat "nebulosa" forma ezberdinetan zetozela. Bere seme John Herschelek sailkapen hori hobetu zuen nebulosa galaktikoak eta nebulosa ez-galaktikoak bereiziz. Bi sailkapen hauetako azken hau galaxiak ezagutzen ditugunak dira.
mendearen amaiera aldera, hainbat astronomo espekulatu zuten objektu kosmiko hauek "estragalaktikoak" zirela, eta gure Esne Bidetik kanpo zeudela.
Hubblek galaxien sailkapen berri bat aurkeztu zuen 1925ean Hubbleren sekuentziaren sarrerarekin, modu informalean Hubble-ren diapasoi-diagrama bezala ezagutzen dena.
Hubble-ren sekuentziak galaxia erregular eta irregularretan banatu zituen. Galaxia erregularrak hiru klase zabaletan banatu ziren: eliptikoak, espiralak eta lentikularrak.
Galaxien azterketak unibertsoaren funtzionamenduari buruzko hainbat misterio gakoren berri ematen digu. Ikertzaileek galaxien forma desberdinak erabili dituzte izarren eraketa prozesuari buruz teorizatzeko. Simulazioak erabiliz, galaxiak beraiek gaur behatzen ditugun formetan nola eratzen diren modelatzen ere saiatu dira zientzialariak.
Galaxien Sailkapen Morfologiko Automatizatua
Galaxiak sailkatzeko ikaskuntza automatikoa erabiltzeko ikerketek emaitza itxaropentsuak erakutsi dituzte. 2020an, Japoniako Behatoki Astronomiko Nazionaleko ikertzaileek a deep learning teknika galaxiak zehaztasunez sailkatzeko.
Subaru/Hyper Suprime-Cam (HSC) Inkestetik lortutako irudien datu multzo handi bat erabili dute ikertzaileek. Haien teknika erabiliz, galaxiak S-ko espiraletan, Z-ko espiraletan eta ez-espiraletan sailka ditzakete.
Haien ikerketek teleskopioetako datu handiak konbinatzearen abantailak frogatu zituzten ikaskuntza sakona teknikak. Neurona-sareak direla eta, astronomoek beste morfologia mota batzuk sailkatzen saiatu daitezke orain, hala nola barrak, fusioak eta lentsu handiko objektuak. Adibidez, lotutako ikerketa MK Cavanagh-ek eta K. Bekki-k CNNak erabili zituzten galaxiak bat egiten zituzten barra-formazioak ikertzeko.
Nola funtzionatzen duen
NAOJko zientzialariek konboluzioan oinarritu ziren neural sareak edo CNNak irudiak sailkatzeko. 2015etik, CNNak objektu jakin batzuk sailkatzeko oso teknika zehatza bihurtu dira. CNNentzako mundu errealeko aplikazioek irudietan aurpegia hautematea, auto gidatzen duten autoak, eskuz idatzitako karaktereen aitorpena eta medikuntza. irudien analisia.
Baina nola funtzionatzen du CNN batek?
CNN sailkatzaile gisa ezagutzen den ikaskuntza automatikoko tekniken klase batekoa da. Sailkatzaileek zenbait sarrera hartu eta datu-puntu bat atera dezakete. Adibidez, kale-seinaleen sailkatzaile batek irudi bat hartu eta atera ahal izango du irudia kale-seinalea den ala ez.
CNN bat adibide bat da sare neural. Neurona-sare hauek osatuta daude neuronak barruan antolatuta geruza. Prestakuntza-fasean, neurona horiek sintonizatu egiten dira beharrezko sailkapen-arazoa konpontzen lagunduko duten pisu eta alborapen zehatzak egokitzeko.
Neurona-sare batek irudi bat jasotzen duenean, irudiaren eremu txikiak hartzen ditu bere osotasunean baino, neurona bakoitzak beste neuronekin elkarreragiten du irudi nagusiaren hainbat ataletan hartzen duen moduan.
Geruza konbolenteen presentziak CNN beste sare neuronaletatik desberdintzen du. Geruza hauek gainjarritako pixelen blokeak eskaneatzen dituzte sarrerako irudiaren ezaugarriak identifikatzeko helburuarekin. Elkarrengandik hurbil dauden neuronak konektatzen ditugunez, sareak errazagoa izango du irudia ulertzeko sarrerako datuak geruza bakoitzean igarotzen diren heinean.
Erabilera Galaxia Morfologian
Galaxiak sailkatzeko erabiltzen direnean, CNNek galaxia baten irudia "adabaki" txikiagoetan banatzen dute. Matematika pixka bat erabiliz, ezkutuko lehen geruza adabakiak lerro edo kurba duen ebazten saiatuko da. Geruza gehiago gero eta konplexuagoak diren galderak ebazten saiatuko dira, esate baterako, adabakiak galaxia espiral baten ezaugarriren bat duen ala ez, hala nola beso baten presentzia.
Irudi baten atal batek lerro zuzen bat duen ala ez zehaztea nahiko erraza den arren, gero eta konplexuagoa da irudiak galaxia espiral bat erakusten duen galdetzea, eta are gutxiago zer galaxia espiral mota.
Sare neuronalekin, sailkapena ausazko arau eta irizpideekin hasten da. Arau hauek poliki-poliki gero eta zehatzagoak eta garrantzitsuagoak dira konpontzen saiatzen ari garen arazorako. Prestakuntza-fasearen amaieran, sare neuronalak irudi batean zer ezaugarri bilatu behar dituen ideia ona izan beharko luke.
AI hedatzea Citizen Science erabiliz
Herritarren zientzia zientzialari afizionatuek edo kide publikoek egindako ikerketa zientifikoari deritzo.
Astronomia aztertzen ari diren zientzialariek maiz kolaboratzen dute zientzialari hiritarrekin aurkikuntza zientifiko garrantzitsuagoak egiten laguntzeko. NASAk a mantentzen du zerrenda Sakelako telefonoa edo ordenagailu eramangarria duen edonork lagundu dezakeen herritarren zientzia-proiektu dozenaka.
Japoniako Behatoki Astronomiko Nazionalak izenez ezagutzen den herritarren zientzia-proiektua ere jarri du martxan Galaxy Cruise. Ekimenak boluntarioak prestatzen ditu galaxiak sailkatzeko eta galaxien arteko balizko talken zantzuak bilatzeko. Deitutako beste proiektu herritar bat Galaxia Zooa dagoeneko 50 milioi sailkapen baino gehiago jaso ditu abian jarri zen lehen urtean.
Herritarren zientzia proiektuetako datuak erabiliz, ahal dugu sare neuronalak entrenatu galaxiak klase zehatzagoetan sailkatzeko. Era berean, hiritar zientziaren etiketa hauek erabil genitzake ezaugarri interesgarriak dituzten galaxiak aurkitzeko. Eraztunak eta lenteak bezalako ezaugarriak oraindik ere zailak izan daitezke sare neuronal bat erabiliz.
Ondorioa
Sare neuronaleko teknikak gero eta ezagunagoak dira astronomiaren arloan. NASAren James Webb Espazio Teleskopioa 2021ean abian jartzeak behaketa-astronomiaren aro berri bat agintzen du. Teleskopioak dagoeneko terabyte datuak bildu ditu, agian beste milaka bidean dauden bost urteko misioaren bizitzan.
Galaxiak sailkatzea MLrekin handitu daitezkeen zeregin potentzialetako bat besterik ez da. Espazioko datuen prozesamendua Big Data arazoa bihurtzen ari denez, ikertzaileek makina-ikasketa aurreratua guztiz erabili behar dute panorama orokorra ulertzeko.
Utzi erantzun bat