Ista tehnologija koja pokreće prepoznavanje lica i samovozeće automobile uskoro bi mogla biti ključni instrument u otkrivanju skrivenih tajni svemira.
Nedavni razvoj promatračke astronomije doveo je do eksplozije podataka.
Snažni teleskopi dnevno prikupljaju terabajte podataka. Kako bi obradili toliku količinu podataka, znanstvenici moraju pronaći nove načine automatizacije različitih zadataka na terenu, poput mjerenja zračenja i drugih nebeskih pojava.
Jedan poseban zadatak koji astronomi jedva čekaju ubrzati je klasifikacija galaksija. U ovom članku objasnit ćemo zašto je klasificiranje galaksija toliko važno i kako su se istraživači počeli oslanjati na napredne tehnike strojnog učenja kako bi se povećali kako se količina podataka povećava.
Zašto trebamo klasificirati galaksije?
Klasifikacija galaksija, poznata u ovom području kao morfologija galaksija, nastala je u 18. stoljeću. Tijekom tog vremena, Sir William Herschel primijetio je da se razne 'maglice' pojavljuju u različitim oblicima. Njegov sin John Herschel poboljšao je ovu klasifikaciju razlikovanjem galaktičkih i ne-galaktičkih maglica. Posljednje od ove dvije klasifikacije su ono što znamo i nazivamo galaksijama.
Krajem 18. stoljeća razni su astronomi spekulirali da su ti kozmički objekti "izvangalaktički" i da leže izvan naše vlastite Mliječne staze.
Hubble je 1925. uveo novu klasifikaciju galaksija uvođenjem Hubbleovog niza, neformalno poznatog kao Hubbleov dijagram zvučne vilice.
Hubbleov niz je podijelio galaksije na pravilne i nepravilne galaksije. Pravilne galaksije dalje su podijeljene u tri široke klase: eliptične, spiralne i lentikularne.
Proučavanje galaksija daje nam uvid u nekoliko ključnih misterija o tome kako svemir funkcionira. Istraživači su koristili različite oblike galaksija kako bi teoretizirali o procesu stvaranja zvijezda. Koristeći simulacije, znanstvenici su također pokušali modelirati kako se same galaksije formiraju u oblike koje danas promatramo.
Automatizirana morfološka klasifikacija galaksija
Istraživanje korištenja strojnog učenja za klasifikaciju galaksija pokazalo je obećavajuće rezultate. Godine 2020. istraživači s Nacionalnog astronomskog opservatorija Japana koristili su a tehnika dubokog učenja za točnu klasifikaciju galaksija.
Istraživači su koristili veliki skup podataka slika dobivenih iz ankete Subaru/Hyper Suprime-Cam (HSC). Koristeći svoju tehniku, mogli su klasificirati galaksije u S-spiralne, Z-spiralne i nespiralne.
Njihovo istraživanje pokazalo je prednosti kombiniranja velikih podataka iz teleskopa s duboko učenje Tehnike. Zbog neuronskih mreža, astronomi sada mogu pokušati klasificirati druge vrste morfologije kao što su stupci, spajanja i objekti s jakim lećama. Na primjer, srodna istraživanja iz MK Cavanagha i K. Bekki koristili su CNN-ove za istraživanje formiranja šipki u galaksijama koje se spajaju.
Kako to radi
Znanstvenici iz NAOJ-a oslonili su se na konvolucijski neuronske mreže ili CNN-ove za klasifikaciju slika. Od 2015. CNN-ovi su postali iznimno precizna tehnika za klasificiranje određenih objekata. Prijave iz stvarnog svijeta za CNN uključuju prepoznavanje lica na slikama, samovozeće automobile, prepoznavanje rukom pisanih znakova i medicinske analiza slika.
Ali kako radi CNN?
CNN pripada klasi tehnika strojnog učenja poznatih kao klasifikator. Klasifikatori mogu uzeti određeni ulaz i izlaz podatkovne točke. Na primjer, klasifikator uličnih znakova moći će uzeti sliku i ispisati je li slika ulični znak ili ne.
CNN je primjer a neuronska mreža. Ove neuronske mreže se sastoje od neuroni organiziran u slojevi. Tijekom faze treninga, ovi neuroni su podešeni da prilagode specifične težine i pristranosti koje će pomoći u rješavanju potrebnog problema klasifikacije.
Kada neuronska mreža primi sliku, ona uzima mala područja slike, a ne sve u cjelini. Svaki pojedinačni neuron stupa u interakciju s drugim neuronima dok uzima različite dijelove glavne slike.
Prisutnost konvolucijskih slojeva čini CNN drugačijim od ostalih neuronskih mreža. Ovi slojevi skeniraju preklapajuće blokove piksela s ciljem identificiranja značajki iz ulazne slike. Budući da povezujemo neurone koji su blizu jedan drugome, mreži će biti lakše razumjeti sliku dok ulazni podaci prolaze kroz svaki sloj.
Upotreba u morfologiji galaksije
Kada se koriste u klasifikaciji galaksija, CNN-ovi rastavljaju sliku galaksije na manje "krpe". Koristeći malo matematike, prvi skriveni sloj će pokušati riješiti sadrži li zakrpa liniju ili krivulju. Daljnji slojevi pokušat će riješiti sve složenija pitanja poput toga sadrži li mrlja značajku spiralne galaksije, poput prisutnosti kraka.
Dok je relativno lako odrediti sadrži li dio slike ravnu liniju, postaje sve složenije postaviti pitanje pokazuje li slika spiralnu galaksiju, a kamoli koju vrstu spiralne galaksije.
S neuronskim mrežama, klasifikator počinje s nasumičnim pravilima i kriterijima. Ova pravila polako postaju sve preciznija i relevantnija za problem koji pokušavamo riješiti. Do kraja faze obuke, neuronska mreža sada bi trebala imati dobru predodžbu o tome koje značajke treba tražiti na slici.
Proširenje umjetne inteligencije pomoću Citizen Science
Građanska znanost odnosi se na znanstvena istraživanja koja provode znanstvenici amateri ili članovi javnosti.
Znanstvenici koji proučavaju astronomiju često surađuju sa znanstvenicima građanima kako bi pomogli doći do važnijih znanstvenih otkrića. NASA tvrdi a popis desetaka građanskih znanstvenih projekata kojima svatko s mobitelom ili prijenosnim računalom može pridonijeti.
Nacionalni astronomski opservatorij Japana također je pokrenuo građanski znanstveni projekt poznat kao krstarenje galaksijom. Inicijativa obučava volontere da klasificiraju galaksije i traže znakove potencijalnih sudara između galaksija. Još jedan građanski projekt tzv Zoološki vrt Galaxy već je dobio više od 50 milijuna klasifikacija u samo prvoj godini lansiranja.
Koristeći podatke iz znanstvenih projekata građana, možemo trenirati neuronske mreže dalje klasificirati galaksije u detaljnije klase. Također bismo mogli koristiti ove oznake građanske znanosti da pronađemo galaksije sa zanimljivim značajkama. Značajke kao što su prstenovi i leće mogu biti teško pronaći pomoću neuronske mreže.
Zaključak
Tehnike neuronskih mreža postaju sve popularnije u polju astronomije. Lansiranje NASA-inog svemirskog teleskopa James Webb 2021. obećava novu eru promatračke astronomije. Teleskop je već prikupio terabajte podataka, s mogućim tisućama još na putu tijekom svoje petogodišnje misije.
Klasificiranje galaksija samo je jedan od mnogih potencijalnih zadataka koji se mogu povećati pomoću ML-a. Budući da obrada svemirskih podataka postaje vlastiti problem velikih podataka, istraživači moraju u potpunosti primijeniti napredno strojno učenje kako bi razumjeli širu sliku.
Ostavi odgovor