Teknologi yang sama yang mendorong pengenalan wajah dan mobil self-driving akan segera menjadi instrumen kunci dalam membuka rahasia tersembunyi alam semesta.
Perkembangan terbaru dalam astronomi observasional telah menyebabkan ledakan data.
Teleskop canggih mengumpulkan terabyte data setiap hari. Untuk memproses data sebanyak itu, para ilmuwan perlu menemukan cara baru untuk mengotomatisasi berbagai tugas di lapangan, seperti mengukur radiasi dan fenomena langit lainnya.
Salah satu tugas khusus yang ingin dipercepat oleh para astronom adalah klasifikasi galaksi. Pada artikel ini, kita akan membahas mengapa mengklasifikasikan galaksi sangat penting dan bagaimana para peneliti mulai mengandalkan teknik pembelajaran mesin tingkat lanjut untuk meningkatkan skala seiring dengan peningkatan volume data.
Mengapa kita perlu mengklasifikasikan galaksi?
Klasifikasi galaksi, yang dikenal di lapangan sebagai morfologi galaksi, berasal dari abad ke-18. Selama waktu itu, Sir William Herschel mengamati bahwa berbagai 'nebula' datang dalam berbagai bentuk. Putranya John Herschel memperbaiki klasifikasi ini dengan membedakan antara nebula galaksi dan non-galaksi. Yang terakhir dari dua klasifikasi ini adalah apa yang kita ketahui dan sebut sebagai galaksi.
Menjelang akhir abad ke-18, berbagai astronom berspekulasi bahwa benda-benda kosmik ini adalah "ekstra-galaksi", dan bahwa mereka terletak di luar Bima Sakti kita sendiri.
Hubble memperkenalkan klasifikasi baru galaksi pada tahun 1925 dengan pengenalan deret Hubble, yang dikenal secara informal sebagai diagram garpu tala Hubble.
Urutan Hubble membagi galaksi menjadi galaksi teratur dan tidak teratur. Galaksi reguler dibagi lagi menjadi tiga kelas besar: Ellipticals, spirals, dan lenticular.
Studi tentang galaksi memberi kita wawasan tentang beberapa misteri utama tentang cara kerja alam semesta. Para peneliti telah menggunakan berbagai bentuk galaksi untuk berteori tentang proses pembentukan bintang. Dengan menggunakan simulasi, para ilmuwan juga mencoba memodelkan bagaimana galaksi itu sendiri terbentuk menjadi bentuk yang kita amati hari ini.
Klasifikasi Morfologi Galaksi Otomatis
Penelitian menggunakan pembelajaran mesin untuk mengklasifikasikan galaksi telah menunjukkan hasil yang menjanjikan. Pada tahun 2020, para peneliti dari National Astronomical Observatory of Japan menggunakan a teknik belajar yang mendalam untuk mengklasifikasikan galaksi secara akurat.
Para peneliti menggunakan kumpulan data besar gambar yang diperoleh dari Survei Subaru/Hyper Suprime-Cam (HSC). Dengan menggunakan teknik mereka, mereka dapat mengklasifikasikan galaksi menjadi spiral S-bijaksana, spiral Z-bijaksana, dan non-spiral.
Penelitian mereka menunjukkan keuntungan menggabungkan data besar dari teleskop dengan belajar mendalam teknik. Karena jaringan saraf, para astronom sekarang dapat mencoba mengklasifikasikan jenis morfologi lain seperti batang, penggabungan, dan objek berlensa kuat. Sebagai contoh, penelitian terkait dari MK Cavanagh dan K. Bekki menggunakan CNN untuk menyelidiki formasi batang dalam penggabungan galaksi.
Cara Kerja
Para ilmuwan dari NAOJ mengandalkan convolutional jaringan saraf atau CNN untuk mengklasifikasikan gambar. Sejak 2015, CNN telah menjadi teknik yang sangat akurat untuk mengklasifikasikan objek tertentu. Aplikasi dunia nyata untuk CNN termasuk deteksi wajah dalam gambar, mobil self-driving, pengenalan karakter tulisan tangan, dan medis analisis citra.
Tapi bagaimana cara kerja CNN?
CNN termasuk dalam kelas teknik pembelajaran mesin yang dikenal sebagai classifier. Pengklasifikasi dapat mengambil input dan output tertentu dari titik data. Misalnya, pengklasifikasi rambu jalan akan dapat mengambil gambar dan menampilkan apakah gambar itu rambu jalan atau bukan.
CNN adalah contoh dari saraf jaringan. Jaringan saraf ini terdiri dari: neuron diatur menjadi lapisan. Selama fase pelatihan, neuron-neuron ini disetel untuk mengadaptasi bobot dan bias tertentu yang akan membantu memecahkan masalah klasifikasi yang diperlukan.
Ketika jaringan saraf menerima gambar, dibutuhkan area kecil gambar daripada semuanya secara keseluruhan, Setiap neuron individu berinteraksi dengan neuron lain seperti yang dibutuhkan di berbagai bagian gambar utama.
Kehadiran convolutional layer membuat CNN berbeda dengan neural network lainnya. Lapisan ini memindai blok piksel yang tumpang tindih dengan tujuan mengidentifikasi fitur dari gambar input. Karena kita menghubungkan neuron yang berdekatan, jaringan akan lebih mudah memahami gambar saat data input melewati setiap lapisan.
Penggunaan dalam Morfologi Galaxy
Ketika digunakan dalam mengklasifikasikan galaksi, CNN memecah gambar galaksi menjadi "tambalan" yang lebih kecil. Menggunakan sedikit matematika, lapisan tersembunyi pertama akan mencoba memecahkan apakah tambalan berisi garis atau kurva. Lapisan selanjutnya akan mencoba memecahkan pertanyaan yang semakin kompleks seperti apakah tambalan itu berisi fitur galaksi spiral, seperti keberadaan lengan.
Meskipun relatif mudah untuk menentukan apakah suatu bagian gambar berisi garis lurus, pertanyaan apakah gambar tersebut menunjukkan galaksi spiral, apalagi jenis galaksi spiralnya, menjadi semakin rumit.
Dengan jaringan saraf, pengklasifikasi dimulai dengan aturan dan kriteria acak. Aturan-aturan ini perlahan-lahan menjadi semakin tepat dan relevan dengan masalah yang kita coba pecahkan. Pada akhir fase pelatihan, jaringan saraf sekarang harus memiliki ide yang bagus tentang fitur apa yang harus dicari dalam sebuah gambar.
Memperluas AI menggunakan Citizen Science
Ilmu warga mengacu pada penelitian ilmiah yang dilakukan oleh ilmuwan amatir atau anggota masyarakat.
Ilmuwan yang mempelajari astronomi sering berkolaborasi dengan ilmuwan warga untuk membantu membuat penemuan ilmiah yang lebih penting. NASA mempertahankan daftar dari lusinan proyek sains warga yang dapat disumbangkan oleh siapa saja yang memiliki ponsel atau laptop.
Observatorium Astronomi Nasional Jepang juga telah memasang proyek sains warga yang dikenal sebagai Pelayaran Galaksi. Inisiatif ini melatih sukarelawan untuk mengklasifikasikan galaksi dan mencari tanda-tanda potensi tabrakan antar galaksi. Proyek warga lain yang disebut Kebun Binatang Galaxy telah menerima lebih dari 50 juta klasifikasi hanya dalam tahun pertama peluncurannya.
Menggunakan data dari proyek sains warga, kita bisa melatih jaringan saraf untuk mengklasifikasikan galaksi ke dalam kelas yang lebih rinci lebih lanjut. Kita juga dapat menggunakan label sains warga ini untuk menemukan galaksi dengan fitur menarik. Fitur seperti cincin dan lensa mungkin masih sulit ditemukan menggunakan jaringan saraf.
Kesimpulan
Teknik jaringan saraf menjadi semakin populer di bidang astronomi. Peluncuran Teleskop Luar Angkasa James Webb NASA pada tahun 2021 menjanjikan era baru astronomi observasional. Teleskop telah mengumpulkan terabyte data, dengan kemungkinan ribuan lainnya dalam perjalanan dalam masa misi lima tahun.
Mengklasifikasikan galaksi hanyalah salah satu dari banyak tugas potensial yang dapat ditingkatkan dengan ML. Dengan pemrosesan data ruang angkasa menjadi masalah Big Data-nya sendiri, para peneliti harus menggunakan pembelajaran mesin canggih sepenuhnya untuk memahami gambaran besarnya.
Tinggalkan Balasan