همان فناوری که تشخیص چهره و خودروهای خودران را هدایت می کند، ممکن است به زودی ابزاری کلیدی در باز کردن رازهای پنهان جهان باشد.
تحولات اخیر در نجوم رصدی منجر به انفجار داده ها شده است.
تلسکوپ های قدرتمند روزانه ترابایت داده جمع آوری می کنند. برای پردازش این حجم از داده ها، دانشمندان باید راه های جدیدی برای خودکارسازی وظایف مختلف در این زمینه، مانند اندازه گیری تشعشعات و دیگر پدیده های آسمانی، بیابند.
یکی از وظایف خاص که ستاره شناسان مشتاق به سرعت بخشیدن به آن هستند، طبقه بندی کهکشان ها است. در این مقاله، به این خواهیم پرداخت که چرا طبقهبندی کهکشانها بسیار مهم است و چگونه محققان شروع به تکیه بر تکنیکهای پیشرفته یادگیری ماشینی برای افزایش حجم دادهها کردهاند.
چرا باید کهکشان ها را طبقه بندی کنیم؟
طبقه بندی کهکشان ها، که در این زمینه به عنوان مورفولوژی کهکشان شناخته می شود، در قرن 18 آغاز شد. در آن زمان، سر ویلیام هرشل مشاهده کرد که «سحابیهای» مختلف به شکلهای مختلفی ظاهر میشوند. پسرش جان هرشل این طبقه بندی را با تمایز بین سحابی های کهکشانی و سحابی های غیر کهکشانی بهبود بخشید. دومی از این دو طبقه بندی همان چیزی است که ما می شناسیم و از آن به عنوان کهکشان یاد می کنیم.
در اواخر قرن هجدهم، اخترشناسان مختلف حدس زدند که این اجرام کیهانی «فرا کهکشانی» هستند و خارج از کهکشان راه شیری ما قرار دارند.
هابل در سال 1925 با معرفی توالی هابل طبقه بندی جدیدی از کهکشان ها را معرفی کرد که به طور غیررسمی به عنوان نمودار چنگال تنظیم هابل شناخته می شود.
توالی هابل کهکشان ها را به کهکشان های منظم و نامنظم تقسیم کرد. کهکشان های منظم بیشتر به سه دسته بزرگ تقسیم شدند: بیضوی، مارپیچی و عدسی شکل.
مطالعه کهکشانها به ما بینشی در مورد چندین راز کلیدی در مورد نحوه عملکرد جهان میدهد. محققان از اشکال مختلف کهکشان ها برای نظریه پردازی در مورد فرآیند تشکیل ستاره استفاده کرده اند. با استفاده از شبیهسازی، دانشمندان همچنین سعی کردهاند نحوه شکلگیری خود کهکشانها را به شکلهایی که امروزه مشاهده میکنیم، مدل کنند.
طبقه بندی مورفولوژیکی خودکار کهکشان ها
تحقیقات در مورد استفاده از یادگیری ماشین برای طبقه بندی کهکشان ها نتایج امیدوارکننده ای را نشان داده است. در سال 2020، محققان رصدخانه ملی نجوم ژاپن از یک تکنیک یادگیری عمیق برای طبقه بندی دقیق کهکشان ها
محققان از مجموعه داده بزرگی از تصاویر به دست آمده از بررسی سوبارو/هیپر سوپرایم-کم (HSC) استفاده کردند. آنها با استفاده از تکنیک خود، میتوانند کهکشانها را به مارپیچیهای S، مارپیچیهای Z، و غیرمارپیچیها طبقهبندی کنند.
تحقیقات آنها مزایای ترکیب داده های بزرگ از تلسکوپ ها را نشان داد یادگیری عمیق تکنیک. به دلیل شبکههای عصبی، ستارهشناسان اکنون میتوانند انواع دیگر مورفولوژی مانند میلهها، ادغامها و اجرام با لنز قوی را طبقهبندی کنند. مثلا، تحقیق مرتبط از MK Cavanagh و K. Bekki از CNN برای بررسی شکلگیری میلهها در ادغام کهکشانها استفاده کردند.
چگونه کار می کند
دانشمندان NAOJ بر کانولوشن تکیه کردند شبکه های عصبی یا CNN ها برای طبقه بندی تصاویر. از سال 2015، CNN ها به یک تکنیک بسیار دقیق برای طبقه بندی اشیاء خاص تبدیل شده اند. برنامه های کاربردی واقعی برای CNN ها شامل تشخیص چهره در تصاویر، ماشین های خودران، تشخیص کاراکتر دست نویس و پزشکی است. تحلیل تصویری.
اما CNN چگونه کار می کند؟
CNN متعلق به کلاسی از تکنیک های یادگیری ماشینی است که به عنوان طبقه بندی کننده شناخته می شوند. طبقه بندی کننده ها می توانند ورودی و خروجی خاصی را از یک نقطه داده دریافت کنند. به عنوان مثال، یک طبقهبندی کننده علائم خیابانی میتواند تصویری را بگیرد و خروجی بگیرد که آیا تصویر یک تابلوی خیابان است یا خیر.
یک سی ان ان نمونه ای از الف است شبکه های عصبی. این شبکه های عصبی از نورون ها سازماندهی شده به لایه. در طول مرحله آموزش، این نورونها برای تطبیق وزنها و سوگیریهای خاص تنظیم میشوند که به حل مشکل طبقهبندی مورد نیاز کمک میکند.
هنگامی که یک شبکه عصبی تصویری را دریافت می کند، به جای همه چیز به عنوان یک کل، مناطق کوچکی از تصویر را می گیرد، هر نورون جداگانه همانطور که در بخش های مختلف تصویر اصلی می گیرد با نورون های دیگر تعامل می کند.
وجود لایه های کانولوشنال CNN را از سایر شبکه های عصبی متمایز می کند. این لایهها بلوکهای روی همپوشانی پیکسلها را با هدف شناسایی ویژگیها از تصویر ورودی اسکن میکنند. از آنجایی که ما نورونهایی را که نزدیک به هم هستند به هم متصل میکنیم، با عبور دادههای ورودی از هر لایه، شبکه زمان آسانتری برای درک تصویر خواهد داشت.
استفاده در مورفولوژی کهکشان
هنگامی که CNN ها در طبقه بندی کهکشان ها استفاده می شوند، تصویر یک کهکشان را به "لکه های" کوچکتر تجزیه می کنند. با استفاده از کمی ریاضی، اولین لایه پنهان سعی می کند حل کند که آیا پچ شامل یک خط یا منحنی است. لایههای بعدی سعی خواهند کرد سؤالات پیچیدهتری را حل کنند، مانند اینکه آیا این وصله دارای ویژگی یک کهکشان مارپیچی است، مانند وجود یک بازو.
در حالی که تعیین اینکه آیا یک بخش از یک تصویر دارای یک خط مستقیم است نسبتاً آسان است، اما پرسیدن اینکه آیا تصویر یک کهکشان مارپیچی را نشان می دهد یا نه، پیچیده تر می شود، چه رسد به اینکه چه نوع کهکشانی مارپیچی را نشان می دهد.
با شبکه های عصبی، طبقه بندی کننده با قوانین و معیارهای تصادفی شروع می شود. این قوانین به آرامی دقیقتر و دقیقتر میشوند و با مشکلی که ما در تلاش برای حل آن هستیم مرتبط میشوند. در پایان مرحله آموزش، شبکه عصبی اکنون باید ایده خوبی در مورد اینکه چه ویژگی هایی را در یک تصویر باید جستجو کند، داشته باشد.
گسترش هوش مصنوعی با استفاده از Citizen Science
علم شهروندی به تحقیقات علمی اطلاق می شود که توسط دانشمندان آماتور یا اعضای عمومی انجام می شود.
دانشمندانی که در زمینه نجوم مطالعه می کنند اغلب با شهروندان دانشمندان همکاری می کنند تا به اکتشافات علمی مهم تری کمک کنند. ناسا حفظ می کند فهرست دهها پروژه علمی شهروندی که هر کسی با تلفن همراه یا لپتاپ میتواند در آن مشارکت داشته باشد.
رصدخانه ملی نجوم ژاپن نیز یک پروژه علمی شهروندی به نام انجام داده است گلکسی کروز. این ابتکار داوطلبان را برای طبقه بندی کهکشان ها و جستجوی نشانه هایی از برخورد احتمالی بین کهکشان ها آموزش می دهد. یکی دیگر از پروژه های شهروندی به نام باغ وحش کهکشان تنها در اولین سال راه اندازی بیش از 50 میلیون طبقه بندی دریافت کرده است.
با استفاده از داده های پروژه های علمی شهروندی، می توانیم شبکه های عصبی قطار برای طبقه بندی کهکشان ها به طبقات دقیق تر. همچنین میتوانیم از این برچسبهای علمی شهروندی برای یافتن کهکشانهایی با ویژگیهای جالب استفاده کنیم. یافتن ویژگیهایی مانند حلقهها و لنزها با استفاده از شبکه عصبی ممکن است دشوار باشد.
نتیجه
تکنیک های شبکه های عصبی در زمینه نجوم به طور فزاینده ای محبوب می شوند. پرتاب تلسکوپ فضایی جیمز وب ناسا در سال 2021 نوید عصر جدیدی از نجوم رصدی را می دهد. این تلسکوپ قبلاً ترابایت داده جمع آوری کرده است و احتمالاً هزاران داده دیگر در طول عمر ماموریت پنج ساله خود در راه است.
طبقهبندی کهکشانها تنها یکی از کارهای بالقوهای است که میتوان با ML آن را افزایش داد. با تبدیل شدن پردازش داده های فضایی به مشکل کلان داده خود، محققان باید از یادگیری ماشینی پیشرفته به طور کامل برای درک تصویر بزرگ استفاده کنند.
پاسخ دهید