वही तकनीक जो चेहरे की पहचान और सेल्फ-ड्राइविंग कारों को चलाती है, जल्द ही ब्रह्मांड के छिपे रहस्यों को उजागर करने में एक महत्वपूर्ण साधन हो सकती है।
अवलोकन संबंधी खगोल विज्ञान में हाल के विकास ने डेटा के विस्फोट को जन्म दिया है।
शक्तिशाली दूरबीनें प्रतिदिन टेराबाइट डेटा एकत्र करती हैं। इतना अधिक डेटा संसाधित करने के लिए, वैज्ञानिकों को क्षेत्र में विभिन्न कार्यों को स्वचालित करने के लिए नए तरीके खोजने होंगे, जैसे विकिरण और अन्य खगोलीय घटनाओं को मापना।
एक विशेष कार्य जिसे खगोलविद गति देने के लिए उत्सुक हैं, वह है आकाशगंगाओं का वर्गीकरण। इस लेख में, हम जानेंगे कि आकाशगंगाओं का वर्गीकरण इतना महत्वपूर्ण क्यों है और कैसे शोधकर्ताओं ने डेटा की मात्रा बढ़ने के साथ-साथ उन्नत मशीन सीखने की तकनीकों पर भरोसा करना शुरू कर दिया है।
हमें आकाशगंगाओं को वर्गीकृत करने की आवश्यकता क्यों है?
आकाशगंगाओं का वर्गीकरण, जिसे क्षेत्र में आकाशगंगा आकारिकी के रूप में जाना जाता है, की उत्पत्ति 18वीं शताब्दी में हुई थी। उस समय के दौरान, सर विलियम हर्शल ने देखा कि विभिन्न 'निहारिकाएँ' विभिन्न रूपों में आती हैं। उनके बेटे जॉन हर्शल ने गैलेक्टिक नेबुला और गैर-गैलेक्टिक नेबुला के बीच अंतर करके इस वर्गीकरण में सुधार किया। इन दो वर्गीकरणों में से उत्तरार्द्ध वे हैं जिन्हें हम जानते हैं और आकाशगंगाओं के रूप में संदर्भित करते हैं।
18वीं शताब्दी के अंत में, विभिन्न खगोलविदों ने अनुमान लगाया कि ये ब्रह्मांडीय पिंड "अतिरिक्त-गैलेक्टिक" थे, और यह कि वे हमारे अपने मिल्की वे के बाहर स्थित हैं।
हबल ने 1925 में हबल अनुक्रम की शुरुआत के साथ आकाशगंगाओं का एक नया वर्गीकरण पेश किया, जिसे अनौपचारिक रूप से हबल ट्यूनिंग-फोर्क आरेख के रूप में जाना जाता है।
हबल के अनुक्रम ने आकाशगंगाओं को नियमित और अनियमित आकाशगंगाओं में विभाजित किया। नियमित आकाशगंगाओं को आगे तीन व्यापक वर्गों में विभाजित किया गया था: अण्डाकार, सर्पिल और लेंटिकुलर।
आकाशगंगाओं का अध्ययन हमें ब्रह्मांड के काम करने के कई प्रमुख रहस्यों की जानकारी देता है। शोधकर्ताओं ने तारा निर्माण प्रक्रिया के बारे में सिद्धांत बनाने के लिए आकाशगंगाओं के विभिन्न रूपों का उपयोग किया है। सिमुलेशन का उपयोग करते हुए, वैज्ञानिकों ने यह भी मॉडल करने की कोशिश की है कि आकाशगंगाएं खुद को उन आकृतियों में कैसे बनाती हैं जिन्हें हम आज देखते हैं।
आकाशगंगाओं का स्वचालित रूपात्मक वर्गीकरण
आकाशगंगाओं को वर्गीकृत करने के लिए मशीन लर्निंग का उपयोग करने में अनुसंधान ने आशाजनक परिणाम दिखाए हैं। 2020 में, जापान के राष्ट्रीय खगोलीय वेधशाला के शोधकर्ताओं ने a . का प्रयोग किया गहरी सीखने की तकनीक आकाशगंगाओं को सटीक रूप से वर्गीकृत करने के लिए।
शोधकर्ताओं ने सुबारू/हाइपर सुप्राइम-कैम (एचएससी) सर्वेक्षण से प्राप्त छवियों के एक बड़े डेटासेट का उपयोग किया। अपनी तकनीक का उपयोग करके, वे आकाशगंगाओं को S-वार सर्पिल, Z-वार सर्पिल और गैर-सर्पिल में वर्गीकृत कर सकते हैं।
उनके शोध ने दूरबीनों से बड़े डेटा के संयोजन के लाभों का प्रदर्शन किया ध्यान लगा के पढ़ना या सीखना तकनीक। तंत्रिका जाल के कारण, खगोलविद अब अन्य प्रकार की आकृति विज्ञान को वर्गीकृत करने का प्रयास कर सकते हैं जैसे कि बार, विलय और दृढ़ता से लेंस वाली वस्तुएं। उदाहरण के लिए, संबंधित शोध एमके कैवनघ और के. बेक्की ने आकाशगंगाओं के विलय में बार संरचनाओं की जांच के लिए सीएनएन का इस्तेमाल किया।
यह काम किस प्रकार करता है
NAOJ के वैज्ञानिकों ने दृढ़ विश्वास पर भरोसा किया तंत्रिका जाल या छवियों को वर्गीकृत करने के लिए सीएनएन। 2015 से, सीएनएन कुछ वस्तुओं को वर्गीकृत करने के लिए एक बेहद सटीक तकनीक बन गई है। सीएनएन के लिए वास्तविक दुनिया के अनुप्रयोगों में छवियों में चेहरे का पता लगाना, स्व-चालित कारें, हस्तलिखित चरित्र पहचान और चिकित्सा शामिल हैं कल्पना विश्लेषण.
लेकिन सीएनएन कैसे काम करता है?
सीएनएन मशीन लर्निंग तकनीकों के एक वर्ग से संबंधित है जिसे क्लासिफायरियर के रूप में जाना जाता है। क्लासिफायर कुछ इनपुट ले सकते हैं और डेटा पॉइंट आउटपुट कर सकते हैं। उदाहरण के लिए, एक स्ट्रीट साइन क्लासिफायर एक इमेज और आउटपुट लेने में सक्षम होगा कि इमेज एक स्ट्रीट साइन है या नहीं।
CNN एक उदाहरण है तंत्रिका नेटवर्क. ये तंत्रिका नेटवर्क से बने होते हैं न्यूरॉन्स में संगठित किया गया परतों. प्रशिक्षण चरण के दौरान, इन न्यूरॉन्स को विशिष्ट वजन और पूर्वाग्रहों को अनुकूलित करने के लिए ट्यून किया जाता है जो आवश्यक वर्गीकरण समस्या को हल करने में मदद करेगा।
जब एक तंत्रिका नेटवर्क एक छवि प्राप्त करता है, तो यह समग्र रूप से सब कुछ के बजाय छवि के छोटे क्षेत्रों में लेता है, प्रत्येक व्यक्ति न्यूरॉन अन्य न्यूरॉन्स के साथ बातचीत करता है क्योंकि यह मुख्य छवि के विभिन्न वर्गों में लेता है।
दृढ़ परतों की उपस्थिति सीएनएन को अन्य तंत्रिका नेटवर्क से अलग बनाती है। ये परतें इनपुट छवि से सुविधाओं की पहचान करने के लक्ष्य के साथ पिक्सेल के अतिव्यापी ब्लॉकों को स्कैन करती हैं। चूंकि हम न्यूरॉन्स को एक साथ जोड़ते हैं, इसलिए नेटवर्क को चित्र को समझने में आसानी होगी क्योंकि इनपुट डेटा प्रत्येक परत से होकर गुजरता है।
आकाशगंगा आकृति विज्ञान में उपयोग
जब आकाशगंगाओं को वर्गीकृत करने में उपयोग किया जाता है, तो सीएनएन आकाशगंगा की एक छवि को छोटे "पैच" में तोड़ देता है। थोड़ा गणित का उपयोग करके, पहली छिपी हुई परत यह हल करने का प्रयास करेगी कि पैच में एक रेखा या वक्र है या नहीं। आगे की परतें तेजी से जटिल प्रश्नों को हल करने का प्रयास करेंगी जैसे कि क्या पैच में एक सर्पिल आकाशगंगा की विशेषता है, जैसे कि एक हाथ की उपस्थिति।
हालांकि यह निर्धारित करना अपेक्षाकृत आसान है कि किसी छवि के एक भाग में एक सीधी रेखा है या नहीं, यह पूछना अधिक जटिल हो जाता है कि क्या छवि एक सर्पिल आकाशगंगा दिखाती है, अकेले किस प्रकार की सर्पिल आकाशगंगा है।
तंत्रिका नेटवर्क के साथ, क्लासिफायरियर यादृच्छिक नियमों और मानदंडों से शुरू होता है। ये नियम धीरे-धीरे उस समस्या के लिए अधिक सटीक और प्रासंगिक हो जाते हैं जिसे हम हल करने का प्रयास कर रहे हैं। प्रशिक्षण चरण के अंत तक, तंत्रिका नेटवर्क को अब इस बात का अच्छा अंदाजा होना चाहिए कि किसी छवि में किन विशेषताओं को देखना है।
सिटीजन साइंस का उपयोग कर एआई का विस्तार
नागरिक विज्ञान शौकिया वैज्ञानिकों या सार्वजनिक सदस्यों द्वारा किए गए वैज्ञानिक अनुसंधान को संदर्भित करता है।
खगोल विज्ञान का अध्ययन करने वाले वैज्ञानिक अक्सर अधिक महत्वपूर्ण वैज्ञानिक खोजों को बनाने में मदद करने के लिए नागरिक वैज्ञानिकों के साथ सहयोग करते हैं। नासा रखता है a सूची दर्जनों नागरिक विज्ञान परियोजनाएं जिनमें सेलफोन या लैपटॉप वाला कोई भी व्यक्ति योगदान दे सकता है।
जापान की राष्ट्रीय खगोलीय वेधशाला ने एक नागरिक विज्ञान परियोजना भी स्थापित की है जिसे . के रूप में जाना जाता है गैलेक्सी क्रूज. पहल स्वयंसेवकों को आकाशगंगाओं को वर्गीकृत करने और आकाशगंगाओं के बीच संभावित टकराव के संकेतों की तलाश करने के लिए प्रशिक्षित करती है। एक अन्य नागरिक परियोजना कहा जाता है आकाशगंगा चिड़ियाघर लॉन्च के पहले वर्ष में ही 50 मिलियन से अधिक वर्गीकरण प्राप्त कर चुके हैं।
नागरिक विज्ञान परियोजनाओं के डेटा का उपयोग करके, हम यह कर सकते हैं तंत्रिका नेटवर्क को प्रशिक्षित करें आकाशगंगाओं को और अधिक विस्तृत वर्गों में वर्गीकृत करना। दिलचस्प विशेषताओं वाली आकाशगंगाओं को खोजने के लिए हम इन नागरिक विज्ञान लेबलों का भी उपयोग कर सकते हैं। तंत्रिका नेटवर्क का उपयोग करके रिंग और लेंस जैसी सुविधाओं को ढूंढना अभी भी मुश्किल हो सकता है।
निष्कर्ष
खगोल विज्ञान के क्षेत्र में तंत्रिका नेटवर्क तकनीक तेजी से लोकप्रिय हो रही है। 2021 में नासा के जेम्स वेब स्पेस टेलीस्कोप का प्रक्षेपण अवलोकन संबंधी खगोल विज्ञान के एक नए युग का वादा करता है। टेलीस्कोप ने पहले ही टेराबाइट डेटा एकत्र कर लिया है, संभवतः इसके पांच साल के मिशन जीवनकाल में हजारों और रास्ते में हैं।
आकाशगंगाओं को वर्गीकृत करना कई संभावित कार्यों में से एक है जिसे एमएल के साथ बढ़ाया जा सकता है। अंतरिक्ष डेटा प्रोसेसिंग की अपनी बड़ी डेटा समस्या बनने के साथ, शोधकर्ताओं को बड़ी तस्वीर को समझने के लिए उन्नत मशीन लर्निंग को पूरी तरह से नियोजित करना चाहिए।
एक जवाब लिखें