A mesma tecnoloxía que impulsa o recoñecemento facial e os coches autónomos pode ser pronto un instrumento clave para descubrir os segredos ocultos do universo.
Os desenvolvementos recentes na astronomía observacional levaron a unha explosión de datos.
Os potentes telescopios recollen terabytes de datos diariamente. Para procesar tantos datos, os científicos necesitan atopar novas formas de automatizar varias tarefas no campo, como medir a radiación e outros fenómenos celestes.
Unha tarefa particular que os astrónomos están ansiosos por acelerar é a clasificación das galaxias. Neste artigo, explicaremos por que é tan importante clasificar as galaxias e como os investigadores comezaron a confiar en técnicas avanzadas de aprendizaxe automática para ampliar a medida que aumenta o volume de datos.
Por que necesitamos clasificar as galaxias?
A clasificación das galaxias, coñecida no campo como morfoloxía das galaxias, orixinouse no século XVIII. Durante ese tempo, Sir William Herschel observou que varias "nebulosas" tiñan varias formas. O seu fillo John Herschel mellorou esta clasificación ao distinguir entre nebulosas galácticas e nebulosas non galácticas. A última destas dúas clasificacións é o que coñecemos e denominamos galaxias.
A finais do século XVIII, varios astrónomos especularon con que estes obxectos cósmicos eran "extragalácticos" e que se atopaban fóra da nosa propia Vía Láctea.
Hubble introduciu unha nova clasificación das galaxias en 1925 coa introdución da secuencia de Hubble, coñecida informalmente como diagrama de diapasón de Hubble.
A secuencia de Hubble dividiu as galaxias en regulares e irregulares. As galaxias regulares dividíronse ademais en tres grandes clases: elípticas, espirais e lenticulares.
O estudo das galaxias dános unha visión de varios misterios clave de como funciona o universo. Os investigadores utilizaron as diferentes formas de galaxias para teorizar sobre o proceso de formación das estrelas. Usando simulacións, os científicos tamén tentaron modelar como as propias galaxias se forman nas formas que observamos hoxe.
Clasificación Morfolóxica Automatizada de Galaxias
A investigación sobre o uso da aprendizaxe automática para clasificar galaxias mostrou resultados prometedores. En 2020, investigadores do Observatorio Astronómico Nacional de Xapón utilizaron a técnica de aprendizaxe profunda para clasificar as galaxias con precisión.
Os investigadores utilizaron un gran conxunto de datos de imaxes obtidas da enquisa Subaru/Hyper Suprime-Cam (HSC). Usando a súa técnica, poderían clasificar as galaxias en espirais S, espirais Z e non espirais.
A súa investigación demostrou as vantaxes de combinar grandes datos de telescopios con aprendizaxe profunda técnicas. Debido ás redes neuronais, os astrónomos agora poden tentar clasificar outros tipos de morfoloxía, como barras, fusións e obxectos con lentes fortes. Por exemplo, investigación relacionada de MK Cavanagh e K. Bekki utilizaron as CNN para investigar as formacións de barras na fusión de galaxias.
Como funciona
Os científicos da NAOJ confiaron na convolución redes neuronales ou CNN para clasificar imaxes. Desde 2015, as CNN convertéronse nunha técnica extremadamente precisa para clasificar certos obxectos. As aplicacións do mundo real para CNN inclúen a detección de rostros en imaxes, coches autónomos, recoñecemento de caracteres escritos a man e médicos. análise de imaxes.
Pero como funciona unha CNN?
CNN pertence a unha clase de técnicas de aprendizaxe automática coñecidas como clasificadores. Os clasificadores poden tomar determinadas entradas e saídas dun punto de datos. Por exemplo, un clasificador de sinais de rúa poderá captar unha imaxe e emitir se a imaxe é un sinal de rúa ou non.
A CNN é un exemplo de a rede neural. Estas redes neuronais están compostas por neuronas organizado en capas. Durante a fase de adestramento, estas neuronas son sintonizadas para adaptar pesos e prexuízos específicos que axudarán a resolver o problema de clasificación requirido.
Cando unha rede neuronal recibe unha imaxe, toma pequenas áreas da imaxe en lugar de todo no seu conxunto. Cada neurona individual interactúa con outras neuronas mentres toma varias seccións da imaxe principal.
A presenza de capas convolucionais fai que a CNN sexa diferente doutras redes neuronais. Estas capas escanean bloques de píxeles superpostos co obxectivo de identificar características da imaxe de entrada. Dado que conectamos neuronas que están moi próximas, a rede terá máis facilidade para comprender a imaxe a medida que os datos de entrada pasan por cada capa.
Uso en morfoloxía galaxia
Cando se usan para clasificar galaxias, as CNN descompoñen unha imaxe dunha galaxia en "parches" máis pequenos. Usando un pouco de matemáticas, a primeira capa oculta tentará resolver se o parche contén unha liña ou unha curva. Outras capas tratarán de resolver cuestións cada vez máis complexas, como se o parche contén unha característica dunha galaxia espiral, como a presenza dun brazo.
Aínda que é relativamente fácil determinar se unha sección dunha imaxe contén unha liña recta, faise cada vez máis complexo preguntar se a imaxe mostra unha galaxia espiral, e moito menos que tipo de galaxia espiral.
Nas redes neuronais, o clasificador comeza con regras e criterios aleatorios. Estas regras son cada vez máis precisas e relevantes para o problema que intentamos resolver. Ao final da fase de adestramento, a rede neuronal debería ter unha boa idea de que funcións buscar nunha imaxe.
Ampliación da IA mediante Citizen Science
A ciencia cidadá refírese á investigación científica realizada por científicos afeccionados ou membros do público.
Os científicos que estudan astronomía adoitan colaborar con científicos cidadáns para axudar a facer descubrimentos científicos máis importantes. A NASA mantén a lista de ducias de proxectos de ciencia cidadá aos que pode contribuír calquera persoa con móbil ou portátil.
O Observatorio Astronómico Nacional de Xapón tamén puxo en marcha un proxecto de ciencia cidadá coñecido como Cruceiro Galaxy. A iniciativa adestra voluntarios para clasificar galaxias e buscar sinais de posibles colisións entre galaxias. Outro proxecto cidadán chamado Galaxy Zoo xa recibiu máis de 50 millóns de clasificacións só no primeiro ano de lanzamento.
Usando datos de proxectos de ciencia cidadá, podemos adestrar redes neuronais para clasificar as galaxias en clases máis detalladas. Tamén poderiamos usar estas etiquetas de ciencia cidadá para atopar galaxias con características interesantes. As funcións como aneis e lentes aínda poden ser difíciles de atopar usando unha rede neuronal.
Conclusión
As técnicas de redes neuronais son cada vez máis populares no campo da astronomía. O lanzamento do telescopio espacial James Webb da NASA en 2021 promete unha nova era da astronomía observacional. O telescopio xa recolleu terabytes de datos, con posiblemente miles máis en camiño durante a súa misión de cinco anos.
Clasificar galaxias é só unha das moitas tarefas potenciais que se poden ampliar con ML. Co procesamento de datos espaciais converténdose no seu propio problema de Big Data, os investigadores deben empregar plenamente a aprendizaxe automática avanzada para comprender o panorama xeral.
Deixe unha resposta