Deselde technology dy't gesichtsherkenning en selsridende auto's driuwt, kin ynkoarten in wichtich ynstrumint wêze om de ferburgen geheimen fan it universum te ûntsluten.
Resinte ûntjouwings yn observaasjeastronomy hawwe laat ta in eksploazje fan gegevens.
Krêftige teleskopen sammelje deistich terabytes oan gegevens. Om safolle gegevens te ferwurkjen moatte wittenskippers nije manieren fine om ferskate taken op it fjild te automatisearjen, lykas strieling mjitten en oare himelske ferskynsels.
Ien bysûndere taak dy't astronomen graach wolle fersnelle is de klassifikaasje fan stjerrestelsels. Yn dit artikel sille wy gean oer wêrom't klassifisearjen fan galaxies sa wichtich is en hoe't ûndersikers binne begon te fertrouwe op avansearre masine-leartechniken om op te skaaljen as it folume fan gegevens tanimt.
Wêrom moatte wy galaxies klassifisearje?
De klassifikaasje fan stjerrestelsels, op it fjild bekend as stjerrestelselmorfology, ûntstie yn 'e 18e iuw. Yn dy tiid konstatearre Sir William Herschel dat ferskate 'nevels' yn ferskate foarmen kamen. Syn soan John Herschel ferbettere dizze klassifikaasje troch ûnderskied te meitsjen tusken galaktyske nevels en net-galaktyske nevels. De lêste fan dizze twa klassifikaasjes binne wat wy kenne en ferwize nei as galaxies.
Tsjin 'e ein fan 'e 18e iuw spekulearren ferskate astronomen dat dizze kosmyske objekten "ekstra-galaktysk" wiene, en dat se bûten ús eigen Melkwei lizze.
Hubble yntrodusearre in nije klassifikaasje fan stjerrestelsels yn 1925 mei de yntroduksje fan 'e Hubble-sekwinsje, ynformeel bekend as it Hubble tuning-fork-diagram.
De folchoarder fan Hubble ferdielde stjerrestelsels yn reguliere en ûnregelmjittige stjerrestelsels. De reguliere stjerrestelsels waarden fierder ferdield yn trije brede klassen: elliptyske, spiralen en lentikulêr.
De stúdzje fan galaxies jout ús ynsjoch yn ferskate wichtige mystearjes fan hoe't it universum wurket. Undersikers hawwe de ferskate foarmen fan stjerrestelsels brûkt om te teoretisearjen oer it proses fan stjerfoarming. Mei help fan simulaasjes hawwe wittenskippers ek besocht te modellearjen hoe't stjerrestelsels sels foarmje yn 'e foarmen dy't wy hjoeddedei observearje.
Automatisearre morfologyske klassifikaasje fan galaxies
Undersyk nei it brûken fan masine learen om galaxies te klassifisearjen hat kânsrike resultaten toand. Yn 2020 brûkten ûndersikers fan it National Astronomical Observatory fan Japan in djippe learen technyk om galaxies sekuer te klassifisearjen.
De ûndersikers brûkten in grutte dataset fan ôfbyldings krigen fan 'e Subaru / Hyper Suprime-Cam (HSC) Survey. Mei help fan har technyk koene se galaxies klassifisearje yn S-wize spiralen, Z-wize spiralen en net-spiralen.
Harren ûndersyk toande de foardielen fan it kombinearjen fan grutte gegevens út teleskopen mei djip learen techniken. Fanwege neurale netten kinne astronomen no besykje oare soarten morfology te klassifisearjen, lykas balken, fúzjes en objekten mei sterk lens. Bygelyks, relatearre ûndersyk fan MK Cavanagh en K. Bekki brûkte CNN's om barformaasjes te ûndersiikjen yn fusearjen fan stjerrestelsels.
Hoe't it wurket
De wittenskippers fan de NAOJ fertrouden op convolutional neurale netwurken of CNN's om ôfbyldings te klassifisearjen. Sûnt 2015 binne CNN's in ekstreem krekte technyk wurden om bepaalde objekten te klassifisearjen. Real-world-applikaasjes foar CNN's omfetsje gesichtsdeteksje yn ôfbyldings, selsridende auto's, hânskreaune karaktererkenning, en medyske ôfbylding analyze.
Mar hoe wurket in CNN?
CNN heart ta in klasse fan masine-leartechniken bekend as in klassifikaasje. Klassearders kinne bepaalde ynfier nimme en in gegevenspunt útfiere. Bygelyks, in klassifikaasje fan strjittekens sil in ôfbylding kinne nimme en útfiere oft de ôfbylding in strjitteteken is of net.
In CNN is in foarbyld fan in neuronale netwurk. Dizze neuronale netwurken binne gearstald út neurons organisearre yn lagen. Tidens de trainingsfaze wurde dizze neuroanen ôfstimd om spesifike gewichten en foaroardielen oan te passen dy't sille helpe om it fereaske klassifikaasjeprobleem op te lossen.
Wannear't in neuronale netwurk ûntfangt in byld, it nimt yn lytse gebieten fan it byld yn stee fan alles as gehiel, Eltse yndividuele neuron ynteraksje mei oare neuroanen as it nimt yn ferskate seksjes fan de wichtichste ôfbylding.
De oanwêzigens fan konvolúsjonele lagen makket CNN oars as oare neuronale netwurken. Dizze lagen scannen oerlappende blokken fan piksels mei it doel om funksjes te identifisearjen fan 'e ynfierôfbylding. Om't wy neuroanen ferbine dy't ticht byinoar binne, sil it netwurk in makliker tiid hawwe om it byld te begripen as de ynfiergegevens troch elke laach passe.
Gebrûk yn Galaxy Morfology
Wannear't brûkt wurdt by it klassifisearjen fan stjerrestelsels, brekke CNN's in ôfbylding fan in galaxy op yn lytsere "patches". Mei in bytsje wiskunde sil de earste ferburgen laach besykje op te lossen oft de patch in line of kromme befettet. Fierdere lagen sille besykje hieltyd kompleksere fragen op te lossen, lykas oft de patch in eigenskip fan in spiraalgalaxy befettet, lykas de oanwêzigens fan in earm.
Wylst it relatyf maklik is om te bepalen oft in diel fan in byld in rjochte line befettet, wurdt it hieltyd komplekser om te freegjen oft it byld in spiraalgalaxy toant, lit stean hokker type spiraalgalaxy.
Mei neurale netwurken begjint de klassifikaasje mei willekeurige regels en kritearia. Dizze regels wurde stadichoan mear en krekter en relevant foar it probleem dat wy besykje op te lossen. Oan 'e ein fan' e opliedingsfaze moat it neurale netwurk no in goed idee hawwe fan hokker funksjes te sykjen yn in ôfbylding.
AI útwreidzje mei Citizen Science
Boargerwittenskip ferwiist nei wittenskiplik ûndersyk útfierd troch amateurwittenskippers as publike leden.
Wittenskippers dy't astronomy studearje wurkje faak gear mei boargerwittenskippers om te helpen wichtiger wittenskiplike ûntdekkingen te meitsjen. NASA ûnderhâldt in list fan tsientallen boargerwittenskiplike projekten dêr't elkenien mei in mobyl of laptop oan bydrage kin.
It Nasjonaal Astronomysk Observatoarium fan Japan hat ek in boargerwittenskiplik projekt opsteld bekend as Galaxy Cruise. It inisjatyf traint frijwilligers om stjerrestelsels te klassifisearjen en te sykjen nei tekens fan potinsjele botsingen tusken stjerrestelsels. In oar boargerprojekt neamd Galaxy Zoo hat al mear dan 50 miljoen klassifikaasjes krigen yn krekt it earste jier fan lansearring.
Mei help fan gegevens út boargerwittenskip projekten, wy kinne trein neurale netwurken om stjerrestelsels yn mear detaillearre klassen fierder te klassifisearjen. Wy kinne dizze boargerwittenskiplike labels ek brûke om galaxies te finen mei nijsgjirrige funksjes. Funksjes lykas ringen en linzen kinne noch lestich wêze om te finen mei in neural netwurk.
Konklúzje
Neurale netwurktechniken wurde hieltyd populêrder op it mêd fan astronomy. De lansearring fan NASA's James Webb Space Telescope yn 2021 belooft in nij tiidrek fan observational astronomy. De teleskoop hat al terabytes oan gegevens sammele, mei mooglik tûzenen mear ûnderweis yn syn fiifjierrige missylibben.
It klassifisearjen fan galaxies is mar ien fan in protte potensjele taken dy't mei ML opskaald wurde kinne. Mei't romtegegevensferwurking har eigen Big Data-probleem wurdt, moatte ûndersikers avansearre masinelearen folslein brûke om it grutte byld te begripen.
Leave a Reply