La stessa tecnologia che guida il riconoscimento facciale e le auto a guida autonoma potrebbe presto diventare uno strumento chiave per svelare i segreti nascosti dell'universo.
I recenti sviluppi nell'astronomia osservativa hanno portato a un'esplosione di dati.
Potenti telescopi raccolgono terabyte di dati ogni giorno. Per elaborare così tanti dati, gli scienziati devono trovare nuovi modi per automatizzare varie attività sul campo, come misurare le radiazioni e altri fenomeni celesti.
Un compito particolare che gli astronomi sono ansiosi di accelerare è la classificazione delle galassie. In questo articolo, esamineremo il motivo per cui classificare le galassie è così importante e come i ricercatori hanno iniziato a fare affidamento su tecniche avanzate di apprendimento automatico per aumentare man mano che il volume dei dati aumenta.
Perché abbiamo bisogno di classificare le galassie?
La classificazione delle galassie, nota nel campo come morfologia delle galassie, ebbe origine nel XVIII secolo. Durante quel periodo, Sir William Herschel osservò che varie "nebulose" si presentavano in varie forme. Suo figlio John Herschel ha migliorato questa classificazione distinguendo tra nebulose galattiche e nebulose non galattiche. L'ultima di queste due classificazioni è ciò che conosciamo e chiamiamo galassie.
Verso la fine del 18° secolo, vari astronomi ipotizzarono che questi oggetti cosmici fossero "extragalattici" e che si trovassero al di fuori della nostra Via Lattea.
Hubble introdusse una nuova classificazione delle galassie nel 1925 con l'introduzione della sequenza di Hubble, nota informalmente come diagramma del diapason di Hubble.
La sequenza di Hubble divideva le galassie in galassie regolari e irregolari. Le galassie regolari erano ulteriormente suddivise in tre grandi classi: ellittiche, spirali e lenticolari.
Lo studio delle galassie ci dà una visione di diversi misteri chiave di come funziona l'universo. I ricercatori hanno utilizzato le diverse forme di galassie per teorizzare il processo di formazione stellare. Utilizzando simulazioni, gli scienziati hanno anche cercato di modellare il modo in cui le galassie stesse si formano nelle forme che osserviamo oggi.
Classificazione morfologica automatizzata delle galassie
La ricerca sull'utilizzo dell'apprendimento automatico per classificare le galassie ha mostrato risultati promettenti. Nel 2020, i ricercatori dell'Osservatorio astronomico nazionale del Giappone hanno utilizzato a tecnica di apprendimento profondo per classificare accuratamente le galassie.
I ricercatori hanno utilizzato un ampio set di dati di immagini ottenute dall'indagine Subaru/Hyper Suprime-Cam (HSC). Usando la loro tecnica, potrebbero classificare le galassie in spirali a S, spirali a Z e non spirali.
La loro ricerca ha dimostrato i vantaggi di combinare i big data dei telescopi con apprendimento profondo tecniche. Grazie alle reti neurali, gli astronomi possono ora provare a classificare altri tipi di morfologia come barre, fusioni e oggetti fortemente lenti. Per esempio, ricerca correlata di MK Cavanagh e K. Bekki hanno utilizzato le CNN per studiare le formazioni di barre nelle galassie che si uniscono.
Come funziona
Gli scienziati della NAOJ hanno fatto affidamento sul convolutivo reti neurali o CNN per classificare le immagini. Dal 2015, le CNN sono diventate una tecnica estremamente accurata per classificare determinati oggetti. Le applicazioni del mondo reale per le CNN includono il rilevamento dei volti nelle immagini, le auto a guida autonoma, il riconoscimento dei caratteri scritti a mano e la medicina analisi delle immagini.
Ma come funziona una CNN?
La CNN appartiene a una classe di tecniche di apprendimento automatico note come classificatore. I classificatori possono prendere un determinato input e generare un punto dati. Ad esempio, un classificatore di segnaletica stradale sarà in grado di acquisire un'immagine e visualizzare se l'immagine è un segnale stradale o meno.
Una CNN è un esempio di a rete neurale. Queste reti neurali sono composte da neuroni organizzato in galline ovaiole. Durante la fase di allenamento, questi neuroni sono sintonizzati per adattare pesi e bias specifici che aiuteranno a risolvere il problema di classificazione richiesto.
Quando una rete neurale riceve un'immagine, prende piccole aree dell'immagine piuttosto che tutto nel suo insieme. Ogni singolo neurone interagisce con altri neuroni mentre prende in varie sezioni dell'immagine principale.
La presenza di strati convoluzionali rende la CNN diversa dalle altre reti neurali. Questi livelli scansionano blocchi di pixel sovrapposti con l'obiettivo di identificare le caratteristiche dall'immagine di input. Dal momento che colleghiamo neuroni vicini tra loro, la rete avrà più facilità a comprendere l'immagine mentre i dati di input passano attraverso ogni livello.
Utilizzo nella morfologia galattica
Quando vengono utilizzate per classificare le galassie, le CNN scompongono l'immagine di una galassia in "macchie" più piccole. Usando un po' di matematica, il primo livello nascosto cercherà di risolvere se la patch contiene una linea o una curva. Ulteriori livelli cercheranno di risolvere domande sempre più complesse come se la toppa contenga una caratteristica di una galassia a spirale, come la presenza di un braccio.
Sebbene sia relativamente facile determinare se una sezione di un'immagine contiene una linea retta, diventa sempre più complesso chiedersi se l'immagine mostri una galassia a spirale, per non parlare di quale tipo di galassia a spirale.
Con le reti neurali, il classificatore inizia con regole e criteri casuali. Queste regole pian piano diventano sempre più precise e attinenti al problema che stiamo cercando di risolvere. Entro la fine della fase di addestramento, la rete neurale dovrebbe ora avere una buona idea di quali caratteristiche cercare in un'immagine.
Estendere l'IA usando Citizen Science
La scienza dei cittadini si riferisce alla ricerca scientifica condotta da scienziati dilettanti o membri pubblici.
Gli scienziati che studiano l'astronomia spesso collaborano con i cittadini scienziati per contribuire a fare scoperte scientifiche più importanti. La NASA sostiene a stratagemma di decine di progetti di citizen science a cui chiunque abbia un cellulare o un laptop può contribuire.
Anche l'Osservatorio astronomico nazionale del Giappone ha avviato un progetto di scienza dei cittadini noto come Galassia crociera. L'iniziativa forma volontari per classificare le galassie e cercare segni di potenziali collisioni tra le galassie. Chiamato un altro progetto cittadino Galaxy Zoo ha già ricevuto oltre 50 milioni di classificazioni solo nel primo anno di lancio.
Utilizzando i dati dei progetti di citizen science, possiamo addestrare reti neurali classificare ulteriormente le galassie in classi più dettagliate. Potremmo anche usare queste etichette di citizen science per trovare galassie con caratteristiche interessanti. Funzionalità come anelli e lenti possono essere ancora difficili da trovare utilizzando una rete neurale.
Conclusione
Le tecniche delle reti neurali stanno diventando sempre più popolari nel campo dell'astronomia. Il lancio del telescopio spaziale James Webb della NASA nel 2021 promette una nuova era per l'astronomia osservativa. Il telescopio ha già raccolto terabyte di dati, con forse altre migliaia in arrivo nei suoi cinque anni di missione.
La classificazione delle galassie è solo uno dei tanti potenziali compiti che possono essere ampliati con ML. Con l'elaborazione dei dati spaziali che sta diventando il problema dei Big Data, i ricercatori devono utilizzare completamente l'apprendimento automatico avanzato per comprendere il quadro generale.
Lascia un Commento