એ જ ટેક્નોલોજી કે જે ચહેરાની ઓળખ અને સ્વ-ડ્રાઈવિંગ કાર ચલાવે છે તે ટૂંક સમયમાં જ બ્રહ્માંડના છુપાયેલા રહસ્યોને ખોલવામાં મુખ્ય સાધન બની શકે છે.
ઓબ્ઝર્વેશનલ એસ્ટ્રોનોમીમાં તાજેતરના વિકાસથી ડેટાનો વિસ્ફોટ થયો છે.
શક્તિશાળી ટેલિસ્કોપ દરરોજ ટેરાબાઇટ ડેટા એકત્રિત કરે છે. આટલા ડેટાની પ્રક્રિયા કરવા માટે, વૈજ્ઞાનિકોએ ક્ષેત્રના વિવિધ કાર્યોને સ્વચાલિત કરવા માટે નવી રીતો શોધવાની જરૂર છે, જેમ કે રેડિયેશન અને અન્ય અવકાશી ઘટનાઓને માપવા.
એક ખાસ કાર્ય કે જે ખગોળશાસ્ત્રીઓ ઝડપી બનાવવા આતુર છે તે છે તારાવિશ્વોનું વર્ગીકરણ. આ લેખમાં, અમે ગેલેક્સીઓનું વર્ગીકરણ શા માટે એટલું મહત્વનું છે અને કેવી રીતે સંશોધકોએ ડેટાની માત્રામાં વધારો થવા માટે અદ્યતન મશીન લર્નિંગ તકનીકો પર આધાર રાખવાનું શરૂ કર્યું છે તેના પર જઈશું.
શા માટે આપણે તારાવિશ્વોનું વર્ગીકરણ કરવાની જરૂર છે?
ગેલેક્સીનું વર્ગીકરણ, જે ક્ષેત્રમાં ગેલેક્સી મોર્ફોલોજી તરીકે ઓળખાય છે, તેનો ઉદ્દભવ 18મી સદીમાં થયો હતો. તે સમય દરમિયાન સર વિલિયમ હર્શેલે જોયું કે વિવિધ 'નિહારિકા' વિવિધ સ્વરૂપોમાં આવે છે. તેમના પુત્ર જ્હોન હર્શેલે ગેલેક્ટિક નેબ્યુલા અને નોન-ગેલેક્ટિક નેબ્યુલા વચ્ચે તફાવત કરીને આ વર્ગીકરણમાં સુધારો કર્યો. આ બે વર્ગીકરણોમાંથી બાદમાં આપણે જાણીએ છીએ અને તારાવિશ્વો તરીકે ઓળખીએ છીએ.
18મી સદીના અંતમાં, વિવિધ ખગોળશાસ્ત્રીઓએ અનુમાન કર્યું હતું કે આ કોસ્મિક પદાર્થો "અતિરિક્ત-ગાલેક્ટીક" હતા અને તે આપણી પોતાની આકાશગંગાની બહાર આવેલા છે.
હબલે 1925 માં હબલ સિક્વન્સની રજૂઆત સાથે તારાવિશ્વોનું નવું વર્ગીકરણ રજૂ કર્યું, જે અનૌપચારિક રીતે હબલ ટ્યુનિંગ-ફોર્ક ડાયાગ્રામ તરીકે ઓળખાય છે.
હબલના ક્રમએ તારાવિશ્વોને નિયમિત અને અનિયમિત તારાવિશ્વોમાં વિભાજિત કર્યા. નિયમિત તારાવિશ્વોને આગળ ત્રણ વ્યાપક વર્ગોમાં વિભાજિત કરવામાં આવી હતી: અંડાકાર, સર્પાકાર અને લેન્ટિક્યુલર.
તારાવિશ્વોનો અભ્યાસ આપણને બ્રહ્માંડ કેવી રીતે કાર્ય કરે છે તેના કેટલાક મુખ્ય રહસ્યોની સમજ આપે છે. સંશોધકોએ તારા નિર્માણની પ્રક્રિયા વિશે સિદ્ધાંત નક્કી કરવા માટે તારાવિશ્વોના વિવિધ સ્વરૂપોનો ઉપયોગ કર્યો છે. સિમ્યુલેશનનો ઉપયોગ કરીને, વૈજ્ઞાનિકોએ પણ મોડેલ બનાવવાનો પ્રયાસ કર્યો છે કે કેવી રીતે આકાશગંગાઓ પોતે જે આકારોનું અવલોકન કરે છે તે આકારોમાં આજે આપણે જે અવલોકન કરીએ છીએ.
આકાશગંગાઓનું સ્વચાલિત મોર્ફોલોજિકલ વર્ગીકરણ
તારાવિશ્વોનું વર્ગીકરણ કરવા માટે મશીન લર્નિંગનો ઉપયોગ કરવાના સંશોધને આશાસ્પદ પરિણામો દર્શાવ્યા છે. 2020 માં, જાપાનની નેશનલ એસ્ટ્રોનોમિકલ ઓબ્ઝર્વેટરીના સંશોધકોએ એ ઊંડા શીખવાની તકનીક તારાવિશ્વોનું ચોક્કસ વર્ગીકરણ કરવા.
સંશોધકોએ સુબારુ/હાયપર સુપ્રાઈમ-કેમ (HSC) સર્વેમાંથી મેળવેલ ઈમેજોના મોટા ડેટાસેટનો ઉપયોગ કર્યો હતો. તેમની તકનીકનો ઉપયોગ કરીને, તેઓ તારાવિશ્વોને S-વાઇઝ સર્પિલ, Z-વાઇઝ સર્પાકાર અને બિન-સર્પાકારમાં વર્ગીકૃત કરી શકે છે.
તેમના સંશોધને ટેલિસ્કોપમાંથી મોટા ડેટાને સંયોજિત કરવાના ફાયદા દર્શાવ્યા ઊંડા શિક્ષણ તકનીકો ન્યુરલ નેટને કારણે, ખગોળશાસ્ત્રીઓ હવે અન્ય પ્રકારના મોર્ફોલોજીનું વર્ગીકરણ કરવાનો પ્રયાસ કરી શકે છે જેમ કે બાર, મર્જર અને મજબૂત લેન્સવાળી વસ્તુઓ. દાખ્લા તરીકે, સંબંધિત સંશોધન MK Cavanagh અને K. Bekki માંથી CNN નો ઉપયોગ મર્જિંગ ગેલેક્સીઓમાં બાર રચનાઓની તપાસ કરવા માટે.
તે કેવી રીતે કામ કરે છે
NAOJ ના વૈજ્ઞાનિકો કન્વોલ્યુશનલ પર આધાર રાખતા હતા ન્યુરલ નેટવર્ક્સ અથવા સીએનએન છબીઓને વર્ગીકૃત કરવા માટે. 2015 થી, CNN એ ચોક્કસ વસ્તુઓને વર્ગીકૃત કરવા માટે અત્યંત સચોટ તકનીક બની ગઈ છે. CNN માટે વાસ્તવિક-વિશ્વ એપ્લિકેશન્સમાં છબીઓમાં ચહેરાની શોધ, સ્વ-ડ્રાઇવિંગ કાર, હસ્તલિખિત પાત્ર ઓળખ અને તબીબી સમાવેશ થાય છે. છબી વિશ્લેષણ.
પરંતુ સીએનએન કેવી રીતે કામ કરે છે?
CNN એ ક્લાસિફાયર તરીકે ઓળખાતી મશીન લર્નિંગ તકનીકોના વર્ગ સાથે સંબંધ ધરાવે છે. વર્ગીકરણ ચોક્કસ ઇનપુટ લઇ શકે છે અને ડેટા પોઇન્ટ આઉટપુટ કરી શકે છે. ઉદાહરણ તરીકે, સ્ટ્રીટ સાઈન ક્લાસિફાયર ઈમેજ લઈ શકશે અને ઈમેજ સ્ટ્રીટ સાઈન છે કે નહી તે આઉટપુટ કરી શકશે.
CNN એ એક ઉદાહરણ છે મજ્જાતંતુકીય નેટવર્ક. આ ન્યુરલ નેટવર્ક્સ બનેલા છે ચેતાકોષો માં સંગઠિત સ્તરો. તાલીમના તબક્કા દરમિયાન, આ ચેતાકોષોને ચોક્કસ વજન અને પૂર્વગ્રહોને અનુકૂલિત કરવા માટે ટ્યુન કરવામાં આવે છે જે જરૂરી વર્ગીકરણ સમસ્યાને ઉકેલવામાં મદદ કરશે.
જ્યારે ન્યુરલ નેટવર્ક ઇમેજ મેળવે છે, ત્યારે તે એકંદરે દરેક વસ્તુને બદલે ઇમેજના નાના વિસ્તારોમાં લે છે, દરેક વ્યક્તિગત ચેતાકોષ અન્ય ચેતાકોષો સાથે ક્રિયાપ્રતિક્રિયા કરે છે કારણ કે તે મુખ્ય છબીના વિવિધ વિભાગોમાં લે છે.
કન્વોલ્યુશનલ લેયર્સની હાજરી સીએનએનને અન્ય ન્યુરલ નેટવર્કથી અલગ બનાવે છે. આ સ્તરો ઇનપુટ ઇમેજમાંથી વિશેષતાઓને ઓળખવાના લક્ષ્ય સાથે પિક્સેલ્સના ઓવરલેપિંગ બ્લોક્સને સ્કેન કરે છે. અમે નજીકના ન્યુરોન્સને જોડીએ છીએ, કારણ કે દરેક સ્તરમાંથી ઇનપુટ ડેટા પસાર થતાં નેટવર્કને ચિત્રને સમજવામાં વધુ સરળ સમય મળશે.
ગેલેક્સી મોર્ફોલોજીમાં ઉપયોગ
જ્યારે તારાવિશ્વોને વર્ગીકૃત કરવા માટે ઉપયોગમાં લેવાય છે, ત્યારે CNN ગેલેક્સીની છબીને નાના "પેચો"માં તોડી નાખે છે. થોડી ગણિતનો ઉપયોગ કરીને, પ્રથમ છુપાયેલ સ્તર પેચમાં રેખા અથવા વળાંક છે કે કેમ તે ઉકેલવાનો પ્રયાસ કરશે. આગળના સ્તરો વધુને વધુ જટિલ પ્રશ્નોને ઉકેલવાનો પ્રયાસ કરશે જેમ કે પેચમાં સર્પાકાર આકાશગંગાનું લક્ષણ છે કે કેમ, જેમ કે હાથની હાજરી.
જ્યારે ઇમેજના વિભાગમાં સીધી રેખા છે કે કેમ તે નિર્ધારિત કરવું પ્રમાણમાં સરળ છે, પરંતુ તે પૂછવું વધુ જટિલ બને છે કે શું છબી સર્પાકાર ગેલેક્સી બતાવે છે, કેવા પ્રકારની સર્પાકાર ગેલેક્સી છે.
ન્યુરલ નેટવર્ક સાથે, વર્ગીકૃત રેન્ડમ નિયમો અને માપદંડો સાથે શરૂ થાય છે. અમે જે સમસ્યાનો ઉકેલ લાવવાનો પ્રયાસ કરી રહ્યાં છીએ તેના માટે આ નિયમો ધીમે ધીમે વધુ ને વધુ ચોક્કસ અને સુસંગત બને છે. તાલીમના તબક્કાના અંત સુધીમાં, ન્યુરલ નેટવર્કને હવે સારી રીતે ખ્યાલ હોવો જોઈએ કે ઈમેજમાં કઈ વિશેષતાઓ જોવી જોઈએ.
નાગરિક વિજ્ઞાનનો ઉપયોગ કરીને AI નો વિસ્તાર કરવો
નાગરિક વિજ્ઞાન એ કલાપ્રેમી વૈજ્ઞાનિકો અથવા જાહેર સભ્યો દ્વારા કરવામાં આવતા વૈજ્ઞાનિક સંશોધનનો સંદર્ભ આપે છે.
ખગોળશાસ્ત્રનો અભ્યાસ કરતા વૈજ્ઞાનિકો ઘણી વખત નાગરિક વૈજ્ઞાનિકો સાથે વધુ મહત્વપૂર્ણ વૈજ્ઞાનિક શોધ કરવામાં મદદ કરે છે. નાસા એ જાળવી રાખે છે યાદી ડઝનેક નાગરિક વિજ્ઞાન પ્રોજેક્ટ જેમાં સેલફોન અથવા લેપટોપ ધરાવનાર કોઈપણ યોગદાન આપી શકે છે.
જાપાનની નેશનલ એસ્ટ્રોનોમિકલ ઓબ્ઝર્વેટરીએ પણ નાગરિક વિજ્ઞાન પ્રોજેક્ટ મૂક્યો છે જે તરીકે ઓળખાય છે ગેલેક્સી ક્રૂઝ. આ પહેલ સ્વયંસેવકોને તારાવિશ્વોનું વર્ગીકરણ કરવા અને તારાવિશ્વો વચ્ચે સંભવિત અથડામણના ચિહ્નો શોધવા તાલીમ આપે છે. અન્ય નાગરિક પ્રોજેક્ટ કહેવાય છે ગેલેક્સી ઝૂ લોન્ચના પ્રથમ વર્ષમાં જ 50 મિલિયનથી વધુ વર્ગીકરણ પ્રાપ્ત કરી ચૂક્યું છે.
નાગરિક વિજ્ઞાન પ્રોજેક્ટના ડેટાનો ઉપયોગ કરીને, અમે કરી શકીએ છીએ ન્યુરલ નેટવર્કને તાલીમ આપો આકાશગંગાઓને વધુ વિગતવાર વર્ગોમાં વર્ગીકૃત કરવા માટે. અમે આ નાગરિક વિજ્ઞાન લેબલ્સનો ઉપયોગ રસપ્રદ લક્ષણો સાથે તારાવિશ્વોને શોધવા માટે પણ કરી શકીએ છીએ. ન્યુરલ નેટવર્કનો ઉપયોગ કરીને રિંગ્સ અને લેન્સ જેવી સુવિધાઓ શોધવા હજુ પણ મુશ્કેલ હોઈ શકે છે.
ઉપસંહાર
ન્યુરલ નેટવર્ક તકનીકો ખગોળશાસ્ત્રના ક્ષેત્રમાં વધુને વધુ લોકપ્રિય બની રહી છે. 2021 માં નાસાના જેમ્સ વેબ સ્પેસ ટેલિસ્કોપનું લોન્ચિંગ અવલોકનક્ષમ ખગોળશાસ્ત્રના નવા યુગનું વચન આપે છે. ટેલિસ્કોપે તેના પાંચ વર્ષના મિશનના જીવનકાળમાં કદાચ હજારો વધુ માહિતી સાથે ટેરાબાઇટ ડેટા એકત્રિત કરી લીધો છે.
તારાવિશ્વોનું વર્ગીકરણ એ ઘણા સંભવિત કાર્યોમાંથી એક છે જેને ML વડે માપી શકાય છે. સ્પેસ ડેટા પ્રોસેસિંગ તેની પોતાની બિગ ડેટા સમસ્યા બની જવાથી, મોટા ચિત્રને સમજવા માટે સંશોધકોએ અદ્યતન મશીન લર્નિંગને સંપૂર્ણપણે કામે લગાડવું જોઈએ.
એક જવાબ છોડો