אותה טכנולוגיה שמניעה זיהוי פנים ומכוניות בנהיגה עצמית עשויה להיות בקרוב מכשיר מפתח בפתיחת הסודות הכמוסים של היקום.
ההתפתחויות האחרונות באסטרונומיה התצפיתית הובילו לפיצוץ של נתונים.
טלסקופים רבי עוצמה אוספים טרה-בייט של נתונים מדי יום. כדי לעבד כל כך הרבה נתונים, מדענים צריכים למצוא דרכים חדשות לבצע אוטומציה של משימות שונות בשטח, כמו מדידת קרינה ותופעות שמימיות אחרות.
משימה מסוימת אחת שאסטרונומים להוטים להאיץ היא סיווג הגלקסיות. במאמר זה, נעבור על מדוע סיווג גלקסיות כל כך חשוב וכיצד החוקרים החלו להסתמך על טכניקות למידת מכונה מתקדמות כדי להגדיל את היקף הנתונים ככל שנפח הנתונים גדל.
למה אנחנו צריכים לסווג גלקסיות?
סיווג הגלקסיות, הידוע בתחום כמורפולוגיה של הגלקסיות, מקורו במאה ה-18. במהלך אותה תקופה, סר ויליאם הרשל הבחין ש'ערפיליות' שונות הגיעו בצורות שונות. בנו ג'ון הרשל שיפר את הסיווג הזה על ידי הבחנה בין ערפיליות גלקטיות לערפיליות לא גלקטיות. האחרון מבין שני הסיווגים הללו הוא מה שאנו מכירים ומתייחסים אליו כגלקסיות.
לקראת סוף המאה ה-18, אסטרונומים שונים שיערו שעצמים קוסמיים אלה הם "אקסטרה-גלקטיים", ושהם נמצאים מחוץ לשביל החלב שלנו.
האבל הציג סיווג חדש של גלקסיות בשנת 1925 עם הצגת רצף האבל, הידוע באופן לא פורמלי בשם דיאגרמת הכוונון של האבל.
הרצף של האבל חילק את הגלקסיות לגלקסיות רגילות ולא סדירות. הגלקסיות הרגילות חולקו עוד יותר לשלוש מחלקות רחבות: אליפטיות, ספירלות ועדשות.
חקר הגלקסיות נותן לנו תובנה לכמה תעלומות מפתח של אופן פעולת היקום. חוקרים השתמשו בצורות השונות של גלקסיות כדי להעלות תיאוריה על תהליך היווצרות הכוכבים. באמצעות סימולציות, מדענים ניסו גם לדגמן כיצד הגלקסיות עצמן נוצרות לצורות שאנו צופים בהן כיום.
סיווג מורפולוגי אוטומטי של גלקסיות
מחקר על שימוש בלמידת מכונה לסיווג גלקסיות הראה תוצאות מבטיחות. בשנת 2020, חוקרים מהמצפה האסטרונומי הלאומי של יפן השתמשו ב-a טכניקת למידה עמוקה כדי לסווג גלקסיות בצורה מדויקת.
החוקרים השתמשו במערך נתונים גדול של תמונות שהתקבלו מסקר Subaru/Hyper Suprime-Cam (HSC). באמצעות הטכניקה שלהם, הם יכלו לסווג גלקסיות לספירלות בכיוון S, ספירלות בכיוון Z וללא ספירלות.
המחקר שלהם הוכיח את היתרונות של שילוב נתונים גדולים מטלסקופים עם למידה עמוקה טכניקות. בגלל רשתות עצביות, אסטרונומים יכולים כעת לנסות לסווג סוגים אחרים של מורפולוגיה כגון סורגים, מיזוגים וחפצים בעלי עדשות חזקות. לדוגמה, מחקר בנושא מחברי הכנסת Cavanagh ו-K. Bekki השתמשו ב-CNN כדי לחקור תצורות סורגים בגלקסיות מיזוג.
איך זה עובד
המדענים מה-NAOJ הסתמכו על קונבולוציונית רשתות עצביות או CNN כדי לסווג תמונות. מאז 2015, רשתות CNN הפכו לטכניקה מדויקת ביותר לסיווג עצמים מסוימים. יישומי עולם אמיתי עבור CNN כוללים זיהוי פנים בתמונות, מכוניות בנהיגה עצמית, זיהוי תווים בכתב יד ורפואה ניתוח תמונות.
אבל איך עובד CNN?
CNN שייך לסוג של טכניקות למידת מכונה המכונה מסווג. מסווגים יכולים לקחת קלט מסוים ולפלט נקודת נתונים. לדוגמה, מסווג שלטי רחוב יוכל לקלוט תמונה ולהוציא אם התמונה היא שלט רחוב או לא.
רשת CNN היא דוגמה לא רשת עצבית. רשתות עצביות אלו מורכבות נוירונים מאורגן ב שכבות. במהלך שלב האימון, נוירונים אלו מכוונים להתאים משקלים והטיות ספציפיות שיעזרו לפתור את בעיית הסיווג הנדרשת.
כאשר רשת עצבית מקבלת תמונה, היא תופסת אזורים קטנים של התמונה ולא הכל בכללותו, כל נוירון אינדיבידואלי מקיים אינטראקציה עם נוירונים אחרים כפי שהוא מצלם בקטעים שונים של התמונה הראשית.
הנוכחות של שכבות קונבולוציוניות הופכת את CNN לשונה מרשתות עצביות אחרות. שכבות אלו סורקות בלוקים חופפים של פיקסלים במטרה לזהות תכונות מתמונת הקלט. מכיוון שאנו מחברים נוירונים קרובים זה לזה, לרשת יהיה קל יותר להבין את התמונה כאשר נתוני הקלט עוברים דרך כל שכבה.
שימוש בגלקסי מורפולוגיה
כאשר משתמשים בהם בסיווג גלקסיות, CNN מפרקים תמונה של גלקסיה ל"טלאים" קטנים יותר. בעזרת מעט מתמטיקה, השכבה הנסתרת הראשונה תנסה לפתור אם התיקון מכיל קו או עקומה. שכבות נוספות ינסו לפתור שאלות מורכבות יותר ויותר כמו האם התיקון מכיל תכונה של גלקסיה ספירלית, כמו נוכחות של זרוע.
למרות שקל יחסית לקבוע אם קטע של תמונה מכיל קו ישר, זה הופך להיות מורכב יותר ויותר לשאול אם התמונה מציגה גלקסיה ספירלית, שלא לדבר על איזה סוג של גלקסיה ספירלית.
עם רשתות עצביות, המסווגן מתחיל עם כללים וקריטריונים אקראיים. הכללים הללו הופכים לאט לאט יותר ויותר מדויקים ורלוונטיים לבעיה שאנו מנסים לפתור. בסוף שלב האימון, לרשת העצבית אמורה להיות מושג טוב על אילו תכונות לחפש בתמונה.
הרחבת AI באמצעות Citizen Science
מדע האזרח מתייחס למחקר מדעי שנערך על ידי מדענים חובבים או חברי ציבור.
מדענים הלומדים אסטרונומיה משתפים פעולה לעתים קרובות עם מדענים אזרחיים כדי לסייע בגילוי תגליות מדעיות חשובות יותר. נאס"א שומרת על א רשימה של עשרות פרויקטים של מדעי האזרח שכל מי שיש לו סלולרי או מחשב נייד יכול לתרום להם.
המצפה האסטרונומי הלאומי של יפן גם הקים פרויקט מדעי האזרח המכונה גלקסי קרוז. היוזמה מכשירה מתנדבים לסווג גלקסיות ולחפש סימנים להתנגשויות פוטנציאליות בין גלקסיות. פרויקט אזרח נוסף נקרא גן החיות של גלקסי כבר קיבלה למעלה מ-50 מיליון סיווגים רק בשנה הראשונה להשקה.
בעזרת נתונים מפרויקטים של מדעי האזרח, אנחנו יכולים להכשיר רשתות עצביות כדי לסווג גלקסיות למחלקות מפורטות יותר. נוכל גם להשתמש בתוויות המדעיות הללו כדי למצוא גלקסיות עם תכונות מעניינות. עדיין קשה למצוא תכונות כגון טבעות ועדשות באמצעות רשת עצבית.
סיכום
טכניקות של רשתות עצביות הופכות פופולריות יותר ויותר בתחום האסטרונומיה. השיגור של טלסקופ החלל ג'יימס ווב של נאס"א ב-2021 מבטיח עידן חדש של אסטרונומיה תצפיתית. הטלסקופ כבר אסף טרה-בייט של נתונים, ואולי עוד אלפים בדרך במהלך חמש שנות חייו.
סיווג גלקסיות הוא רק אחת משימות פוטנציאליות רבות שניתן להגדיל עם ML. כאשר עיבוד נתוני החלל הופך לבעיית הביג דאטה של עצמו, החוקרים חייבים להשתמש בלמידת מכונה מתקדמת במלואה כדי להבין את התמונה הגדולה.
השאירו תגובה