Sama tekniikka, joka ohjaa kasvojentunnistusta ja itseohjautuvia autoja, saattaa pian olla keskeinen väline universumin piilotettujen salaisuuksien paljastamisessa.
Havaintoastronomian viimeaikainen kehitys on johtanut tiedon räjähdysmäiseen kasvuun.
Tehokkaat teleskoopit keräävät teratavuja tietoa päivittäin. Käsitelläkseen näin paljon dataa, tutkijoiden on löydettävä uusia tapoja automatisoida erilaisia alan tehtäviä, kuten säteilyn ja muiden taivaanilmiöiden mittaamista.
Yksi erityinen tehtävä, jota tähtitieteilijät haluavat nopeuttaa, on galaksien luokittelu. Tässä artikkelissa käymme läpi, miksi galaksien luokittelu on niin tärkeää ja kuinka tutkijat ovat alkaneet luottaa edistyneisiin koneoppimistekniikoihin skaalautuakseen datamäärän kasvaessa.
Miksi galaksit pitää luokitella?
Galaksien luokittelu, joka tunnetaan alalla galaksimorfologiana, syntyi 18-luvulla. Tuona aikana Sir William Herschel havaitsi, että erilaisia "sumuja" oli eri muodoissa. Hänen poikansa John Herschel paransi tätä luokittelua erottamalla galaktiset sumut ja ei-galaktiset sumut. Jälkimmäisen näistä kahdesta luokittelusta tunnemme ja kutsumme galakseiksi.
18-luvun lopulla useat tähtitieteilijät arvelivat, että nämä kosmiset esineet olivat "galaktisia ulkopuolisia" ja että ne sijaitsevat oman Linnunrattamme ulkopuolella.
Hubble esitteli uuden galaksiluokituksen vuonna 1925 ottamalla käyttöön Hubble-sekvenssin, joka tunnetaan epävirallisesti Hubblen virityshaarukkakaaviona.
Hubblen sekvenssi jakoi galaksit säännöllisiin ja epäsäännöllisiin galakseihin. Säännölliset galaksit jaettiin edelleen kolmeen laajaan luokkaan: elliptiset galaksit, spiraalit ja linssimäiset galaksit.
Galaksitutkimus antaa meille käsityksen useista keskeisistä maailmankaikkeuden toiminnan mysteereistä. Tutkijat ovat käyttäneet galaksien eri muotoja teoretisoidakseen tähtien muodostumisprosessia. Simulaatioiden avulla tutkijat ovat myös yrittäneet mallintaa, kuinka galaksit itse muodostavat muotoja, joita havaitsemme nykyään.
Galaksien automatisoitu morfologinen luokittelu
Tutkimus koneoppimisen käytöstä galaksien luokittelussa on osoittanut lupaavia tuloksia. Vuonna 2020 Japanin National Astronomical Observatoryn tutkijat käyttivät a syväoppimistekniikka luokittelemaan galaksit tarkasti.
Tutkijat käyttivät suurta datasarjaa Subaru/Hyper Suprime-Cam (HSC) -tutkimuksesta saatuja kuvia. Tekniikkaansa käyttämällä he voivat luokitella galaksit S-viisasspiraaleihin, Z-viisasspiraaleihin ja ei-spiraaleihin.
Heidän tutkimuksensa osoittivat edut, joita kaukoputkien suuren datan yhdistäminen on syvä oppiminen tekniikat. Neuraaliverkkojen ansiosta tähtitieteilijät voivat nyt yrittää luokitella muun tyyppisiä morfologioita, kuten pylväitä, sulautumisia ja vahvasti linssoituja kohteita. Esimerkiksi, liittyvää tutkimusta MK Cavanagh ja K. Bekki käyttivät CNN:itä tutkiakseen sauvamuodostelmia sulautuvissa galakseissa.
Miten se toimii
NAOJ:n tutkijat luottivat konvoluutioon hermoverkkoihin tai CNN:t kuvien luokittelemiseksi. Vuodesta 2015 lähtien CNN:istä on tullut erittäin tarkka tekniikka tiettyjen esineiden luokittelussa. CNN-verkkojen tosielämän sovelluksia ovat kasvojentunnistus kuvissa, itseohjautuvat autot, käsinkirjoitetut hahmontunnistukset ja lääketieteelliset kuva-analyysi.
Mutta miten CNN toimii?
CNN kuuluu koneoppimistekniikoiden luokkaan, joka tunnetaan luokittelijana. Luokittelijat voivat ottaa tietyn syötteen ja tulostaa datapisteen. Esimerkiksi katukylttien luokitin pystyy ottamaan kuvan ja tulostamaan, onko kuva katukyltti vai ei.
CNN on esimerkki a neuroverkkomallien. Nämä neuroverkot koostuvat neuronien järjestetty kerrokset. Harjoitteluvaiheen aikana nämä neuronit viritetään mukauttamaan tiettyjä painoja ja harhoja, jotka auttavat ratkaisemaan vaaditun luokitusongelman.
Kun hermoverkko vastaanottaa kuvan, se ottaa kuvan pieniä alueita eikä kaikkea kokonaisuutena. Jokainen yksittäinen neuroni on vuorovaikutuksessa muiden hermosolujen kanssa, kun se ottaa pääkuvan eri osia.
Konvoluutiokerrosten läsnäolo tekee CNN:stä eron muista hermoverkoista. Nämä tasot skannaavat päällekkäisiä pikselilohkoja tavoitteenaan tunnistaa piirteitä syötekuvasta. Koska yhdistämme hermosoluja, jotka ovat lähellä toisiaan, verkon on helpompi ymmärtää kuvaa, kun syöttödata kulkee jokaisen kerroksen läpi.
Käyttö Galaxy Morphologyssa
Käytettäessä galaksien luokittelussa CNN:t hajottavat galaksin kuvan pienemmiksi "tilkkuiksi". Hieman matematiikkaa käyttäen ensimmäinen piilotettu kerros yrittää ratkaista, sisältääkö korjaustiedoston viivan vai käyrän. Muut kerrokset yrittävät ratkaista yhä monimutkaisempia kysymyksiä, kuten sisältääkö paikka spiraaligalaksin piirteen, kuten käsivarren.
Vaikka on suhteellisen helppoa määrittää, sisältääkö kuvan osa suoran viivan, on yhä monimutkaisempaa kysyä, näkyykö kuvassa spiraaligalaksi, puhumattakaan minkä tyyppisestä spiraaligalaksista.
Neuroverkoissa luokitin alkaa satunnaisilla säännöillä ja kriteereillä. Näistä säännöistä tulee pikkuhiljaa entistä tarkempia ja osuvampia ongelmaan, jota yritämme ratkaista. Harjoitteluvaiheen lopussa hermoverkolla pitäisi nyt olla hyvä käsitys siitä, mitä ominaisuuksia kuvasta pitäisi etsiä.
Tekoälyn laajentaminen Citizen Sciencen avulla
Kansalaistieteellä tarkoitetaan amatööritieteilijöiden tai julkisten jäsenten tekemää tieteellistä tutkimusta.
Tähtitiedettä opiskelevat tutkijat tekevät usein yhteistyötä kansalaistutkijoiden kanssa auttaakseen tekemään tärkeämpiä tieteellisiä löytöjä. NASA väittää a lista kymmenistä kansalaistieteellisistä projekteista, joihin jokainen, jolla on matkapuhelin tai kannettava tietokone, voi osallistua.
Japanin kansallinen tähtitieteellinen observatorio on myös käynnistänyt kansalaistieteen projektin, joka tunnetaan nimellä Galaxy Cruise. Aloite kouluttaa vapaaehtoisia luokittelemaan galakseja ja etsimään merkkejä mahdollisista galaksien välisistä törmäyksistä. Toinen kansalaisprojekti on nimeltään Galaxy Zoo on jo saanut yli 50 miljoonaa luokitusta vain ensimmäisen julkaisuvuoden aikana.
Käyttämällä kansalaistieteen projekteista saatuja tietoja voimme kouluttaa neuroverkkoja luokitella galaksit tarkempiin luokkiin. Voisimme myös käyttää näitä kansalaistieteen nimikkeitä löytääksemme galakseja, joissa on mielenkiintoisia ominaisuuksia. Ominaisuuksia, kuten sormuksia ja linssejä, voi silti olla vaikea löytää käyttämällä hermoverkkoa.
Yhteenveto
Neuroverkkotekniikat ovat yhä suositumpia tähtitieteen alalla. NASA:n James Webb -avaruusteleskoopin laukaisu vuonna 2021 lupaa uuden havaintoastronomian aikakauden. Teleskooppi on jo kerännyt teratavuja dataa, ja mahdollisesti tuhansia lisää on matkalla viiden vuoden mittaisen toimintansa aikana.
Galaksien luokittelu on vain yksi monista mahdollisista tehtävistä, joita voidaan skaalata ML:n avulla. Kun avaruustietojen käsittelystä on tulossa oma Big Data -ongelma, tutkijoiden on käytettävä kehittynyttä koneoppimista täysimääräisesti ymmärtääkseen kokonaisuuden.
Jätä vastaus