Նույն տեխնոլոգիան, որն ապահովում է դեմքի ճանաչման և ինքնակառավարվող մեքենաների մեխանիզմը, շուտով կարող է առանցքային գործիք դառնալ տիեզերքի թաքնված գաղտնիքները բացահայտելու համար:
Դիտողական աստղագիտության վերջին զարգացումները հանգեցրել են տվյալների պայթյունի:
Հզոր աստղադիտակներն ամեն օր հավաքում են տերաբայթ տվյալներ: Այդքան տվյալներ մշակելու համար գիտնականները պետք է նոր ուղիներ գտնեն ոլորտում տարբեր առաջադրանքների ավտոմատացման համար, ինչպիսիք են ճառագայթման չափումը և այլ երկնային երևույթները:
Հատուկ առաջադրանքներից մեկը, որը աստղագետները ցանկանում են արագացնել, գալակտիկաների դասակարգումն է: Այս հոդվածում մենք կքննարկենք, թե ինչու է գալակտիկաների դասակարգումը այդքան կարևոր և ինչպես են հետազոտողները սկսել հիմնվել մեքենայական ուսուցման առաջադեմ տեխնիկայի վրա՝ մեծանալու համար, քանի որ տվյալների ծավալը մեծանում է:
Ինչու՞ մեզ պետք է դասակարգել գալակտիկաները:
Գալակտիկաների դասակարգումը, որը ոլորտում հայտնի է որպես գալակտիկաների մորֆոլոգիա, առաջացել է 18-րդ դարում։ Այդ ընթացքում սըր Ուիլյամ Հերշելը նկատեց, որ տարբեր «միգամածություններ» տարբեր ձևերով են հայտնվել: Նրա որդի Ջոն Հերշելը կատարելագործեց այս դասակարգումը` տարբերակելով գալակտիկական միգամածությունները և ոչ գալակտիկական միգամածությունները: Այս երկու դասակարգումներից վերջիններն այն են, ինչ մենք գիտենք և անվանում ենք գալակտիկաներ:
18-րդ դարի վերջերին տարբեր աստղագետներ ենթադրում էին, որ այս տիեզերական մարմինները «արտագալակտիկական» են, և որ դրանք գտնվում են մեր Ծիր Կաթինից դուրս։
Հաբլը ներկայացրեց գալակտիկաների նոր դասակարգում 1925 թվականին՝ ներմուծելով Հաբլի հաջորդականությունը, որը ոչ պաշտոնապես հայտնի է որպես Հաբլի թյունինգ-պատառաքաղ դիագրամ։
Հաբլի հաջորդականությունը գալակտիկաները բաժանեց կանոնավոր և անկանոն գալակտիկաների։ Կանոնավոր գալակտիկաները հետագայում բաժանվեցին երեք լայն դասերի՝ էլիպսաձև, պարուրաձև և ոսպնյակաձև։
Գալակտիկաների ուսումնասիրությունը մեզ տալիս է պատկերացում մի քանի հիմնական առեղծվածների մասին, թե ինչպես է գործում տիեզերքը: Հետազոտողները օգտագործել են գալակտիկաների տարբեր ձևեր՝ աստղերի ձևավորման գործընթացի մասին տեսություն ստեղծելու համար: Օգտվելով սիմուլյացիաներից՝ գիտնականները նաև փորձել են մոդելավորել, թե ինչպես են գալակտիկաներն իրենք ձևավորվում այն ձևերով, որոնք մենք այսօր դիտում ենք:
Գալակտիկաների ձևաբանական ավտոմատ դասակարգում
Գալակտիկաները դասակարգելու համար մեքենայական ուսուցման օգտագործման վերաբերյալ հետազոտությունները խոստումնալից արդյունքներ են ցույց տվել: 2020 թվականին Ճապոնիայի ազգային աստղագիտական աստղադիտարանի հետազոտողները օգտագործել են ա խորը ուսուցման տեխնիկա ճշգրիտ դասակարգել գալակտիկաները.
Հետազոտողները օգտագործել են Subaru/Hyper Suprime-Cam (HSC) Survey-ից ստացված պատկերների մեծ հավաքածու: Օգտագործելով իրենց տեխնիկան՝ նրանք կարող էին գալակտիկաները դասակարգել S-իմաստ պարույրների, Z-ի իմաստուն պարույրների և ոչ պարույրների:
Նրանց հետազոտությունը ցույց տվեց աստղադիտակների հետ մեծ տվյալների համադրման առավելությունները խորը ուսուցում տեխնիկան։ Նյարդային ցանցերի պատճառով աստղագետներն այժմ կարող են փորձել դասակարգել մորֆոլոգիայի այլ տեսակներ, ինչպիսիք են ձողերը, միաձուլումները և ուժեղ ոսպնյակներով օբյեկտները: Օրինակ, հարակից հետազոտություն MK Cavanagh-ից և K. Bekki-ից CNN-ներն օգտագործել են գալակտիկաների միաձուլման ժամանակ ձողերի գոյացումները հետազոտելու համար:
Ինչպես է այն աշխատում
NAOJ-ի գիտնականները հիմնվել են կոնվոլյուցիոնի վրա նյարդային ցանցեր կամ CNN-ներ՝ պատկերները դասակարգելու համար: 2015 թվականից CNN-ները դարձել են որոշ օբյեկտների դասակարգման չափազանց ճշգրիտ տեխնիկա: CNN-ների իրական աշխարհի հավելվածները ներառում են դեմքի հայտնաբերում պատկերներում, ինքնակառավարվող մեքենաներ, ձեռագիր նիշերի ճանաչում և բժշկական պատկերների վերլուծություն.
Բայց ինչպես է աշխատում CNN-ը:
CNN-ը պատկանում է մեքենայական ուսուցման տեխնիկայի դասին, որը հայտնի է որպես դասակարգիչ: Դասակարգիչները կարող են որոշակի մուտքագրում և թողարկում տվյալների կետ: Օրինակ՝ փողոցային նշանների դասակարգիչը կկարողանա պատկեր վերցնել և ցույց տալ՝ պատկերը փողոցային նշան է, թե ոչ:
CNN-ը օրինակ է ա նյարդային ցանց. Այս նեյրոնային ցանցերը կազմված են նեյրոններ կազմակերպված մեջ շերտերն. Վերապատրաստման փուլում այս նեյրոնները հարմարեցված են հատուկ կշիռների և կողմնակալությունների հարմարեցման համար, որոնք կօգնեն լուծել պահանջվող դասակարգման խնդիրը:
Երբ նեյրոնային ցանցը պատկեր է ստանում, այն վերցնում է պատկերի փոքր հատվածները, այլ ոչ թե ամբողջը: Յուրաքանչյուր առանձին նեյրոն փոխազդում է այլ նեյրոնների հետ, ինչպես որ այն վերցնում է հիմնական պատկերի տարբեր հատվածներում:
Կոնվոլյուցիոն շերտերի առկայությունը CNN-ին տարբերում է մյուս նեյրոնային ցանցերից։ Այս շերտերը սկանավորում են պիքսելների համընկնող բլոկները՝ նպատակ ունենալով նույնականացնել մուտքային պատկերից հատկանիշները: Քանի որ մենք միացնում ենք միմյանց մոտ գտնվող նեյրոնները, ցանցն ավելի հեշտ կլինի հասկանալ նկարը, քանի որ մուտքային տվյալները անցնում են յուրաքանչյուր շերտով:
Օգտագործումը Galaxy Morphology-ում
Երբ օգտագործվում են գալակտիկաների դասակարգման համար, CNN-ները գալակտիկայի պատկերը բաժանում են ավելի փոքր «կարկատանների»: Օգտագործելով մի քիչ մաթեմատիկա՝ առաջին թաքնված շերտը կփորձի լուծել՝ կարկատակը գիծ է պարունակում, թե կոր։ Հետագա շերտերը կփորձեն լուծել ավելի ու ավելի բարդ հարցեր, ինչպիսիք են, օրինակ, արդյոք կարկատակը պարունակում է պարուրաձև գալակտիկայի առանձնահատկություն, ինչպիսին է թևի առկայությունը:
Թեև համեմատաբար հեշտ է որոշել, թե արդյոք պատկերի մի հատվածը պարունակում է ուղիղ գիծ, գնալով ավելի բարդ է դառնում հարցնել, թե արդյոք պատկերը ցույց է տալիս պարուրաձև գալակտիկա, էլ չենք խոսում պարուրաձև գալակտիկայի մասին:
Նեյրոնային ցանցերի դեպքում դասակարգիչը սկսում է պատահական կանոններով և չափանիշներով: Այս կանոնները կամաց-կամաց դառնում են ավելի ու ավելի ճշգրիտ և համապատասխան այն խնդրին, որը մենք փորձում ենք լուծել: Ուսուցման փուլի ավարտին նեյրոնային ցանցն այժմ պետք է լավ պատկերացնի, թե ինչ հատկանիշներ պետք է փնտրել պատկերում:
Ընդլայնելով AI-ն՝ օգտագործելով Citizen Science-ը
Քաղաքացի գիտությունը վերաբերում է գիտական հետազոտություններին, որոնք իրականացվում են սիրողական գիտնականների կամ հասարակության անդամների կողմից:
Աստղագիտություն ուսումնասիրող գիտնականները հաճախ համագործակցում են քաղաքացի գիտնականների հետ՝ օգնելու ավելի կարևոր գիտական բացահայտումներ անել: NASA-ն պահպանում է ա ցուցակ տասնյակ քաղաքացու գիտական նախագծեր, որոնց ցանկացած ոք, ով ունի բջջային հեռախոս կամ նոութբուք, կարող է նպաստել:
Ճապոնիայի ազգային աստղագիտական աստղադիտարանը նաև մշակել է քաղաքացու գիտական նախագիծ, որը հայտնի է որպես Galaxy Cruise. Նախաձեռնությունը կամավորներին պատրաստում է գալակտիկաները դասակարգելու և գալակտիկաների միջև հնարավոր բախումների նշաններ փնտրելու համար: Մեկ այլ քաղաքացու նախագիծ է կոչվել Galaxy Zoo գործարկման առաջին տարում արդեն ստացել է ավելի քան 50 միլիոն դասակարգում:
Օգտագործելով քաղաքագիտական նախագծերի տվյալները՝ մենք կարող ենք գնացք նեյրոնային ցանցեր Գալակտիկաները ավելի մանրամասն դասերի դասակարգելու համար: Մենք կարող ենք նաև օգտագործել այս քաղաքացու գիտական պիտակները՝ գտնելու հետաքրքիր հատկանիշներով գալակտիկաներ: Օղակների և ոսպնյակների նման հատկությունները դեռևս դժվար է գտնել նեյրոնային ցանցի միջոցով:
Եզրափակում
Նեյրոնային ցանցերի տեխնիկան գնալով ավելի տարածված է դառնում աստղագիտության ոլորտում: ՆԱՍԱ-ի Ջեյմս Ուեբ տիեզերական աստղադիտակի արձակումը 2021 թվականին խոստանում է դիտողական աստղագիտության նոր դարաշրջան: Աստղադիտակն արդեն հավաքել է տերաբայթ տվյալներ, հնարավոր է, որ հազարավոր ավելին ճանապարհին իր հինգ տարվա առաքելության ընթացքում:
Գալակտիկաների դասակարգումը միայն բազմաթիվ պոտենցիալ առաջադրանքներից մեկն է, որը կարելի է մեծացնել ML-ով: Քանի որ տիեզերական տվյալների մշակումը դառնում է սեփական Big Data խնդիրը, հետազոտողները պետք է օգտագործեն առաջադեմ մեքենայական ուսուցում, որպեսզի հասկանան մեծ պատկերը:
Թողնել գրառում