顔認識や自動運転車を推進しているのと同じテクノロジーが、間もなく宇宙の隠された秘密を解き明かすための重要な手段となるかもしれません。
観測天文学の最近の発展により、データは爆発的に増加しました。
強力な望遠鏡は毎日テラバイト規模のデータを収集します。 それだけの量のデータを処理するために、科学者は放射線やその他の天体現象の測定など、現場でのさまざまなタスクを自動化する新しい方法を見つける必要があります。
天文学者が特にスピードアップしたいと考えているタスクの XNUMX つは、銀河の分類です。 この記事では、銀河の分類がなぜそれほど重要なのか、そして研究者がデータ量の増加に応じてスケールアップするためにどのように高度な機械学習技術に依存し始めたのかについて説明します。
なぜ銀河を分類する必要があるのでしょうか?
この分野では銀河形態学として知られる銀河の分類は、18 世紀に始まりました。 その間、ウィリアム・ハーシェル卿は、さまざまな「星雲」がさまざまな形で出現することを観察しました。 彼の息子ジョン・ハーシェルは、銀河星雲と非銀河星雲を区別することでこの分類を改良しました。 これら XNUMX つの分類のうち後者は、私たちが知っている銀河と呼ばれるものです。
18 世紀の終わりに向けて、さまざまな天文学者は、これらの宇宙物体は「銀河系外」であり、私たちの天の川の外側にあると推測しました。
ハッブルは 1925 年に、非公式にはハッブル音叉図として知られるハッブル系列を導入して銀河の新しい分類を導入しました。
ハッブル配列は銀河を規則銀河と不規則銀河に分けました。 通常の銀河はさらに、楕円銀河、渦巻銀河、レンズ状銀河の XNUMX つの大きなクラスに分類されました。
銀河の研究は、宇宙がどのように機能するかについてのいくつかの重要な謎についての洞察を与えてくれます。 研究者たちは、星の形成プロセスについて理論化するために、さまざまな形の銀河を使用してきました。 科学者たちは、シミュレーションを使用して、銀河自体がどのようにして今日観察されているような形を形成するのかをモデル化しようと試みてきました。
銀河の自動形態分類
機械学習を使用して銀河を分類する研究では、有望な結果が示されています。 2020年、国立天文台の研究者らは、 ディープラーニング技術 銀河を正確に分類します。
研究者らは、Subaru/Hyper Suprime-Cam (HSC) Survey から取得した画像の大規模なデータセットを使用しました。 彼らの技術を使用すると、銀河を S 方向の渦巻き、Z 方向の渦巻き、および非渦巻きに分類することができました。
彼らの研究は、望遠鏡からのビッグデータを組み合わせる利点を実証しました。 深い学習 テクニック。 ニューラル ネットワークのおかげで、天文学者は現在、棒、合体、強いレンズの天体など、他の種類の形態の分類を試みることができます。 例えば、 関連研究 MK Cavanagh と K. Bekki は、CNN を使用して銀河の合体における棒の形成を調査しました。
使い方
国立天文台の科学者たちは畳み込み理論に頼っていました。 ニューラルネットワーク または CNN を使用して画像を分類します。 2015 年以降、CNN は特定のオブジェクトを分類するための非常に正確な技術になりました。 CNN の実世界のアプリケーションには、画像内の顔検出、自動運転車、手書き文字認識、医療などがあります。 画像解析.
しかし、CNN はどのように機能するのでしょうか?
CNN は、分類子として知られる機械学習技術のクラスに属します。 分類子は特定の入力を受け取り、データ ポイントを出力できます。 たとえば、道路標識分類器は画像を取り込み、その画像が道路標識であるかどうかを出力できます。
CNN はその一例です。 ニューラルネットワーク。 これらのニューラル ネットワークは次のもので構成されています。 ニューロン に組織化された 層。 トレーニング段階では、これらのニューロンは、必要な分類問題の解決に役立つ特定の重みとバイアスを適応させるように調整されます。
ニューラル ネットワークが画像を受信すると、画像全体ではなく、画像の小さな領域が取り込まれます。メイン画像のさまざまなセクションを取り込むときに、個々のニューロンが他のニューロンと相互作用します。
畳み込み層の存在により、CNN は他のニューラル ネットワークとは異なります。 これらのレイヤーは、入力画像から特徴を識別することを目的として、重複するピクセルのブロックをスキャンします。 互いに近接したニューロンを接続するため、入力データが各層を通過するときにネットワークは状況を理解しやすくなります。
銀河形態学での使用法
銀河の分類に使用される場合、CNN は銀河の画像をより小さな「パッチ」に分割します。 最初の非表示レイヤーは、少しの数学を使用して、パッチに線が含まれているか曲線が含まれているかを解決しようとします。 さらなるレイヤーは、パッチに腕の存在などの渦巻銀河の特徴が含まれているかどうかなど、ますます複雑な問題を解決しようとします。
画像の一部に直線が含まれているかどうかを判断するのは比較的簡単ですが、画像に渦巻銀河が写っているかどうか、ましてや渦巻銀河の種類を判断するのはますます複雑になります。
ニューラル ネットワークでは、分類子はランダムなルールと基準から始まります。 これらのルールは徐々に正確になり、解決しようとしている問題と関連性が高くなります。 トレーニング フェーズの終わりまでに、ニューラル ネットワークは画像内でどのような特徴を探すべきかについて十分なアイデアを持っているはずです。
Citizen Science を使用して AI を拡張する
市民科学とは、アマチュア科学者または公的メンバーによって実施される科学研究を指します。
天文学を研究する科学者は、より重要な科学的発見を支援するために、多くの場合、市民科学者と協力します。 NASA は次のことを維持しています。 リスト 携帯電話やラップトップを持っている人なら誰でも参加できる、数十の市民科学プロジェクトの一部です。
国立天文台も、「市民科学プロジェクト」を立ち上げています。 ギャラクシークルーズ。 この取り組みは、銀河を分類し、銀河間の衝突の可能性の兆候を探すボランティアを訓練します。 と呼ばれるもう一つの市民プロジェクト ギャラクシー動物園 は、開始からわずか 50 年ですでに XNUMX 万件以上の分類を受け取りました。
市民科学プロジェクトのデータを使用すると、次のことが可能になります。 ニューラルネットワークを訓練する 銀河をさらに詳細なクラスに分類します。 これらの市民科学ラベルを使用して、興味深い特徴を持つ銀河を見つけることもできます。 リングやレンズなどの機能は、ニューラル ネットワークを使用して見つけるのが依然として難しい場合があります。
まとめ
ニューラル ネットワーク技術は、天文学の分野でますます人気が高まっています。 2021 年に NASA のジェームズ ウェッブ宇宙望遠鏡が打ち上げられ、観測天文学の新時代が約束されています。 この望遠鏡はすでにテラバイト規模のデータを収集しており、XNUMX 年間のミッション期間中にさらに数千テラバイトのデータが収集される可能性があります。
銀河の分類は、ML を使用してスケールアップできる多くの潜在的なタスクの XNUMX つにすぎません。 宇宙データ処理自体がビッグデータの問題となっているため、研究者は全体像を理解するために高度な機械学習を最大限に活用する必要があります。
コメントを残す