Teknologi sing padha sing nyopir pangenalan rai lan mobil sing nyopir dhewe bisa uga dadi alat kunci kanggo mbukak kunci rahasia sing didhelikake ing jagad raya.
Pangembangan anyar ing astronomi observasi wis nyebabake bledosan data.
Teleskop sing kuat nglumpukake terabyte data saben dina. Kanggo ngolah data sing akeh, para ilmuwan kudu golek cara anyar kanggo ngotomatisasi macem-macem tugas ing lapangan, kayata ngukur radiasi lan fenomena langit liyane.
Salah sawijining tugas khusus sing dikarepake para astronom kanggo nyepetake yaiku klasifikasi galaksi. Ing artikel iki, kita bakal ngrembug babagan kenapa klasifikasi galaksi penting banget lan kepiye para peneliti wiwit ngandelake teknik pembelajaran mesin sing luwih maju kanggo nambah volume nalika volume data mundhak.
Apa sebabe kita kudu nggolongake galaksi?
Klasifikasi galaksi, sing dikenal ing lapangan minangka morfologi galaksi, diwiwiti ing abad kaping 18. Ing wektu iku, Sir William Herschel mirsani sing macem-macem 'nebulae' teka ing macem-macem wujud. Putrané John Herschel nambah klasifikasi iki kanthi mbédakaké antara nebula galaksi lan nebula non-galaksi. Sing terakhir saka rong klasifikasi iki yaiku apa sing kita kenal lan diarani minangka galaksi.
Ing pungkasan abad kaping 18, macem-macem astronom nganggep manawa obyek kosmik kasebut "ekstra-galaksi", lan ana ing njaba Bima Sakti kita.
Hubble ngenalake klasifikasi galaksi anyar ing taun 1925 kanthi ngenalake urutan Hubble, sing dikenal kanthi ora resmi minangka diagram tuning-fork Hubble.
Urutan Hubble mbagi galaksi dadi galaksi reguler lan ora teratur. Galaksi reguler dipérang manèh dadi telung kelas sing amba: Ellipticals, spirals, lan lenticular.
Sinau babagan galaksi menehi kita wawasan babagan sawetara misteri penting babagan cara kerjane alam semesta. Para panaliti nggunakake macem-macem wujud galaksi kanggo téori babagan proses pambentukan lintang. Nggunakake simulasi, ilmuwan uga nyoba kanggo model carane galaksi dhewe mbentuk menyang wangun sing kita mirsani saiki.
Klasifikasi Morfologis Otomatis Galaksi
Riset babagan nggunakake machine learning kanggo nggolongake galaksi wis nuduhake asil sing janjeni. Ing 2020, peneliti saka Observatorium Astronomi Nasional Jepang nggunakake a teknik deep learning kanggo nggolongake galaksi kanthi akurat.
Para panaliti nggunakake dataset gedhe saka gambar sing dipikolehi saka Survei Subaru/Hyper Suprime-Cam (HSC). Nggunakake teknik kasebut, dheweke bisa nggolongake galaksi dadi spiral S-wise, spiral Z-wise, lan non-spiral.
Panaliten kasebut nuduhake kaluwihan nggabungake data gedhe saka teleskop karo sinau jero teknik. Amarga jaringan saraf, para astronom saiki bisa nyoba nggolongake jinis morfologi liyane kayata bar, penggabungan, lan obyek sing lensa banget. Tuladhane, riset sing gegandhengan saka MK Cavanagh lan K. Bekki digunakake CNN kanggo neliti formasi bar ing nggabungake galaksi.
Cara kerjane
Para ilmuwan saka NAOJ ngandelake convolutional jaringan saraf utawa CNN kanggo nggolongake gambar. Wiwit 2015, CNN wis dadi teknik sing akurat banget kanggo nggolongake obyek tartamtu. Aplikasi nyata kanggo CNN kalebu deteksi pasuryan ing gambar, mobil nyopir dhewe, pangenalan karakter tulisan tangan, lan medis. analisis citra.
Nanging kepiye carane CNN bisa digunakake?
CNN kalebu kelas teknik pembelajaran mesin sing dikenal minangka classifier. Klasifikasi bisa njupuk input lan output tartamtu titik data. Contone, klasifikasi tandha dalan bakal bisa njupuk gambar lan ngasilake manawa gambar kasebut minangka tandha dalan utawa ora.
CNN minangka conto a jaringan saraf. Jaringan syaraf iki dumadi saka neuron diatur menyang lapisan. Sajrone fase latihan, neuron kasebut disetel kanggo ngganti bobot lan bias tartamtu sing bakal mbantu ngatasi masalah klasifikasi sing dibutuhake.
Nalika jaringan syaraf nampa gambar, njupuk ing wilayah cilik saka gambar tinimbang kabeh minangka kabèh, Saben neuron individu sesambungan karo neuron liyane minangka njupuk ing macem-macem bagean saka gambar utama.
Anane lapisan convolutional ndadekake CNN beda karo jaringan saraf liyane. Lapisan kasebut mindai blok piksel sing tumpang tindih kanthi tujuan kanggo ngenali fitur saka gambar input. Amarga kita nyambungake neuron sing cedhak, jaringan bakal luwih gampang ngerteni gambar nalika data input ngliwati saben lapisan.
Dianggo ing Galaxy Morphology
Nalika digunakake kanggo nggolongake galaksi, CNN ngrusak gambar galaksi dadi "patch" sing luwih cilik. Nggunakake dicokot saka math, lapisan didhelikake pisanan bakal nyoba kanggo ngatasi apa tembelan ngandhut baris utawa kurva. Lapisan luwih bakal nyoba kanggo ngrampungake pitakonan sing saya rumit kayata apa patch ngandhut fitur saka galaksi spiral, kayata ngarsane lengen.
Nalika iku relatif gampang kanggo nemtokake manawa bagean saka gambar ngemot garis lurus, dadi tambah rumit kanggo takon apa gambar nuduhake galaksi spiral, apa maneh jinis spiral galaksi.
Kanthi jaringan saraf, klasifikasi diwiwiti kanthi aturan lan kritéria acak. Aturan kasebut alon-alon dadi luwih tepat lan relevan karo masalah sing kita coba rampung. Ing pungkasan fase latihan, jaringan saraf saiki kudu duwe ide sing apik babagan fitur apa sing kudu digoleki ing gambar.
Ngluwihi AI nggunakake Citizen Science
Ilmu kewarganegaraan nuduhake riset ilmiah sing ditindakake dening ilmuwan amatir utawa anggota umum.
Ilmuwan sing sinau astronomi kerep kerja sama karo ilmuwan warga kanggo mbantu nggawe panemuan ilmiah sing luwih penting. NASA njaga a dhaftar Welasan proyek ilmu warga sing sapa wae sing duwe ponsel utawa laptop bisa nyumbang.
Observatorium Astronomi Nasional Jepang uga wis nggawe proyek ilmu warga sing dikenal minangka Galaxy Cruise. Inisiatif kasebut nglatih sukarelawan kanggo ngelasake galaksi lan nggoleki pratandha potensial tabrakan antarane galaksi. Proyek warga liyane disebut Kebun Binatang Galaxy wis nampa luwih saka 50 yuta klasifikasi mung ing taun pisanan diluncurake.
Nggunakake data saka proyek ilmu warga, kita bisa nglatih jaringan syaraf kanggo nggolongake galaksi menyang kelas sing luwih rinci. Kita uga bisa nggunakake label ilmu warga iki kanggo nemokake galaksi kanthi fitur sing menarik. Fitur kayata dering lan lensa bisa uga angel ditemokake nggunakake jaringan saraf.
kesimpulan
Teknik jaringan saraf saya tambah populer ing bidang astronomi. Peluncuran Teleskop Angkasa James Webb NASA ing 2021 njanjeni jaman anyar astronomi observasi. Teleskop kasebut wis nglumpukake terabyte data, kanthi kemungkinan ewonan liyane ing dalan sajrone umur misi limang taun.
Klasifikasi galaksi mung salah siji saka akeh tugas potensial sing bisa ditambahake karo ML. Kanthi pangolahan data ruang angkasa dadi masalah Big Data dhewe, peneliti kudu nggunakake mesin sinau kanthi lengkap kanggo ngerti gambaran gedhe.
Ninggalake a Reply