Ugyanaz a technológia, amely az arcfelismerést és az önvezető autókat vezérli, hamarosan kulcsfontosságú eszköz lehet az univerzum rejtett titkainak feltárásában.
A megfigyelő csillagászat legújabb fejleményei az adatok robbanásszerű növekedéséhez vezettek.
A nagy teljesítményű teleszkópok naponta terabájtnyi adatot gyűjtenek. Ennyi adat feldolgozásához a tudósoknak új módszereket kell találniuk a különféle terepen végzett feladatok automatizálására, például a sugárzás és más égi jelenségek mérésére.
A csillagászok egyik különleges feladata a galaxisok osztályozása. Ebben a cikkben áttekintjük, miért olyan fontos a galaxisok osztályozása, és hogyan kezdtek a kutatók a fejlett gépi tanulási technikákra támaszkodni, hogy az adatmennyiség növekedésével növekedjenek.
Miért kell osztályozni a galaxisokat?
A galaxisok osztályozása, amelyet a területen galaxismorfológia néven ismernek, a 18. században keletkezett. Ezalatt az idő alatt Sir William Herschel megfigyelte, hogy a különféle „ködök” különböző formákban jelennek meg. Fia, John Herschel javította ezt a besorolást azáltal, hogy különbséget tett a galaktikus ködök és a nem galaktikus ködök között. E két osztályozás közül az utóbbit ismerjük és galaxisoknak nevezzük.
A 18. század vége felé különböző csillagászok azt feltételezték, hogy ezek a kozmikus objektumok „galaktikuson kívüliek”, és a saját Tejútrendszerünkön kívül helyezkednek el.
A Hubble 1925-ben a galaxisok új osztályozását vezette be a Hubble sorozat bevezetésével, amely informálisan Hubble hangvilla diagramként ismert.
A Hubble sorozat a galaxisokat szabályos és szabálytalan galaxisokra osztotta fel. A szabályos galaxisokat további három nagy osztályba osztották: elliptikus galaxisokra, spirálokra és lencsékre.
A galaxisok tanulmányozása betekintést enged a világegyetem működésének számos kulcsfontosságú rejtélyébe. A kutatók a galaxisok különböző formáit használták fel a csillagkeletkezési folyamat elméletéhez. A tudósok szimulációk segítségével azt is megpróbálták modellezni, hogy maguk a galaxisok hogyan alakulnak a ma megfigyelt alakzatokká.
A galaxisok automatizált morfológiai osztályozása
A galaxisok osztályozására szolgáló gépi tanulással kapcsolatos kutatások ígéretes eredményeket mutattak. 2020-ban a Japán Nemzeti Csillagászati Obszervatórium kutatói a mély tanulási technika hogy pontosan osztályozzák a galaxisokat.
A kutatók a Subaru/Hyper Suprime-Cam (HSC) felmérésből származó képek nagy adatkészletét használták fel. Technikájukat használva a galaxisokat S-es spirálokra, Z-es spirálokra és nem spirálokra tudták osztályozni.
Kutatásaik bebizonyították, milyen előnyei vannak a teleszkópokból származó nagy adatok kombinálásának mély tanulás technikák. A neurális hálók miatt a csillagászok most megpróbálhatják más típusú morfológiát is osztályozni, például rudakat, egyesüléseket és erősen lencsézett objektumokat. Például, kapcsolódó kutatás MK Cavanagh és K. Bekki a CNN-eket használta az egyesülő galaxisok rúdképződményeinek vizsgálatára.
Hogyan működik
A NAOJ tudósai a konvolúciós módszerre támaszkodtak neurális hálózatok vagy CNN-ek a képek osztályozására. 2015 óta a CNN-ek rendkívül pontos technikává váltak bizonyos objektumok osztályozására. A CNN-ek valós alkalmazásai közé tartozik az arcfelismerés a képeken, az önvezető autók, a kézírásos karakterfelismerés és az orvosi képelemzés.
De hogyan működik a CNN?
A CNN az osztályozóként ismert gépi tanulási technikák osztályába tartozik. Az osztályozók felvehetnek bizonyos bemeneteket és kiadhatnak egy adatpontot. Például egy utcatábla-osztályozó képes képet felvenni és kiadni, hogy a kép utcatábla-e vagy sem.
A CNN egy példa a neurális hálózat. Ezek a neurális hálózatok a következőkből állnak neuronok be szerveződött tojók. A képzési szakaszban ezeket a neuronokat úgy hangolják, hogy alkalmazkodjanak a speciális súlyokhoz és torzításokhoz, amelyek segítenek megoldani a szükséges osztályozási problémát.
Amikor egy neurális hálózat képet kap, a kép kis területeit veszi fel, nem pedig mindent egészében. Minden egyes neuron kölcsönhatásba lép más neuronokkal, miközben a fő kép különböző szakaszait veszi fel.
A konvolúciós rétegek jelenléte különbözteti meg a CNN-t a többi neurális hálózattól. Ezek a rétegek átfedő pixelblokkokat szkennelnek azzal a céllal, hogy azonosítsák a bemeneti kép jellemzőit. Mivel egymáshoz közeli neuronokat kapcsolunk össze, a hálózat könnyebben megérti a képet, ahogy a bemeneti adatok áthaladnak az egyes rétegeken.
Használat a Galaxy Morphologyban
Amikor a galaxisok osztályozására használják, a CNN-ek egy galaxis képét kisebb „foltokra” bontják. Egy kis matek segítségével az első rejtett réteg megpróbálja eldönteni, hogy a javítás tartalmaz-e vonalat vagy görbét. További rétegek megpróbálják megoldani az egyre összetettebb kérdéseket, például, hogy a folt tartalmaz-e egy spirálgalaxis jellemzőjét, például egy kar jelenlétét.
Míg viszonylag könnyű meghatározni, hogy a kép egy része tartalmaz-e egyenes vonalat, egyre bonyolultabb a kérdés, hogy a képen látható-e spirálgalaxis, nem is beszélve arról, hogy milyen típusú spirálgalaxist.
A neurális hálózatoknál az osztályozó véletlenszerű szabályokkal és kritériumokkal indul. Ezek a szabályok lassan egyre pontosabbá és relevánsabbá válnak a megoldani kívánt probléma szempontjából. A betanítási szakasz végére a neurális hálózatnak most már jó ötlettel kell rendelkeznie arról, hogy milyen funkciókat kell keresnie a képen.
Az AI kiterjesztése a Citizen Science segítségével
A polgári tudomány amatőr tudósok vagy állami tagok által végzett tudományos kutatásra utal.
A csillagászatot kutató tudósok gyakran együttműködnek állampolgári tudósokkal, hogy segítsenek fontosabb tudományos felfedezésekben. A NASA fenntartja a lista tucatnyi állampolgári tudományos projekt, amelyekhez bárki hozzájárulhat, akinek mobiltelefonja vagy laptopja van.
A Japán Nemzeti Csillagászati Obszervatórium is elindított egy polgári tudományos projektet, az úgynevezett Galaxy Cruise. A kezdeményezés önkénteseket képez ki galaxisok osztályozására és a galaxisok közötti lehetséges ütközések jeleinek felkutatására. Egy másik állampolgári projekt az elnevezésű Galaxy állatkert már az indulás első évében több mint 50 millió minősítést kapott.
Az állampolgári tudományos projektekből származó adatok felhasználásával megtehetjük neurális hálózatok képzése hogy a galaxisokat részletesebb osztályokba soroljuk tovább. Ezeket a civil tudományos címkéket arra is használhatjuk, hogy érdekes tulajdonságokkal rendelkező galaxisokat találjunk. Az olyan funkciókat, mint a gyűrűk és lencsék, továbbra is nehéz megtalálni neurális hálózat használatával.
Következtetés
A neurális hálózati technikák egyre népszerűbbek a csillagászat területén. A NASA James Webb űrteleszkópjának 2021-es felbocsátása a megfigyelő csillagászat új korszakát ígéri. A teleszkóp már terabájtnyi adatot gyűjtött össze, és valószínűleg további ezrek vannak úton a küldetés ötéves élettartama alatt.
A galaxisok osztályozása csak egy a sok lehetséges feladat közül, amelyek az ML segítségével tovább bővíthetők. Mivel az űrbeli adatfeldolgozás a saját Big Data problémájává válik, a kutatóknak fejlett gépi tanulást kell alkalmazniuk, hogy teljes mértékben megértsék a teljes képet.
Hagy egy Válaszol