იგივე ტექნოლოგია, რომელიც მართავს სახის ამოცნობას და თვითმართველ მანქანებს, შესაძლოა მალე გახდეს მთავარი ინსტრუმენტი სამყაროს ფარული საიდუმლოებების გასახსნელად.
დაკვირვების ასტრონომიის ბოლოდროინდელმა განვითარებამ გამოიწვია მონაცემების აფეთქება.
მძლავრი ტელესკოპები ყოველდღიურად აგროვებს ტერაბაიტ მონაცემებს. ამდენი მონაცემების დასამუშავებლად, მეცნიერებს უნდა მოძებნონ ახალი გზები, რათა ავტომატიზირდნენ სხვადასხვა ამოცანების სფეროში, როგორიცაა რადიაციის გაზომვა და სხვა ციური ფენომენები.
ერთი განსაკუთრებული ამოცანა, რომლის დაჩქარებაც ასტრონომებს სურთ, არის გალაქტიკების კლასიფიკაცია. ამ სტატიაში ჩვენ განვიხილავთ, თუ რატომ არის გალაქტიკების კლასიფიკაცია ასე მნიშვნელოვანი და როგორ დაიწყეს მკვლევარებმა დაეყრდნონ მანქანათმცოდნეობის მოწინავე ტექნიკას, რათა გაზარდონ მონაცემების მოცულობის ზრდასთან ერთად.
რატომ გვჭირდება გალაქტიკების კლასიფიკაცია?
გალაქტიკების კლასიფიკაცია, რომელიც ამ სფეროში ცნობილია როგორც გალაქტიკის მორფოლოგია, წარმოიშვა მე-18 საუკუნეში. ამ დროის განმავლობაში სერ უილიამ ჰერშელმა შენიშნა, რომ სხვადასხვა „ნისლეულები“ სხვადასხვა ფორმით იყო. მისმა ვაჟმა ჯონ ჰერშელმა გააუმჯობესა ეს კლასიფიკაცია გალაქტიკური ნისლეულისა და არაგალაქტიკური ნისლეულის გარჩევით. ამ ორი კლასიფიკაციიდან უკანასკნელი არის ის, რაც ჩვენ ვიცით და მოვიხსენიებთ როგორც გალაქტიკებს.
მე-18 საუკუნის მიწურულს, სხვადასხვა ასტრონომებმა გამოთქვეს ვარაუდი, რომ ეს კოსმოსური ობიექტები იყო „ექსტრა-გალაქტიკური“ და რომ ისინი მდებარეობენ ჩვენი ირმის ნახტომის გარეთ.
ჰაბლმა შემოიღო გალაქტიკების ახალი კლასიფიკაცია 1925 წელს ჰაბლის თანმიმდევრობის შემოღებით, რომელიც არაფორმალურად არის ცნობილი, როგორც ჰაბლის რეგულირების ჩანგლის დიაგრამა.
ჰაბლის მიმდევრობით გალაქტიკები იყოფა ჩვეულებრივ და არარეგულარულ გალაქტიკებად. რეგულარული გალაქტიკები შემდგომში დაიყო სამ ფართო კლასად: ელიფსური, სპირალები და ლენტიკულური.
გალაქტიკების შესწავლა გვაძლევს სამყაროს მუშაობის რამდენიმე ძირითად საიდუმლოს. მკვლევარებმა გამოიყენეს გალაქტიკების სხვადასხვა ფორმა ვარსკვლავების ფორმირების პროცესის შესახებ თეორიის გამოსათვლელად. სიმულაციების გამოყენებით, მეცნიერებმა ასევე სცადეს მოდელირება, თუ როგორ ყალიბდებიან თავად გალაქტიკები იმ ფორმებად, რომლებსაც დღეს ვაკვირდებით.
გალაქტიკათა ავტომატური მორფოლოგიური კლასიფიკაცია
გალაქტიკების კლასიფიკაციისთვის მანქანური სწავლების გამოყენების კვლევამ იმედისმომცემი შედეგები აჩვენა. 2020 წელს იაპონიის ეროვნული ასტრონომიული ობსერვატორიის მკვლევარებმა გამოიყენეს ა ღრმა სწავლის ტექნიკა გალაქტიკების ზუსტად კლასიფიკაცია.
მკვლევარებმა გამოიყენეს Subaru/Hyper Suprime-Cam (HSC) კვლევის შედეგად მიღებული სურათების დიდი ნაკრები. მათი ტექნიკის გამოყენებით, მათ შეეძლოთ გალაქტიკების კლასიფიკაცია S-ბრძენი სპირალებად, Z-ბრძენი სპირალებად და არასპირალებად.
მათმა კვლევამ აჩვენა ტელესკოპებთან დიდი მონაცემების გაერთიანების უპირატესობა ღრმა სწავლება ტექნიკა. ნერვული ქსელების გამო, ასტრონომებს ახლა შეუძლიათ სცადონ მორფოლოგიის სხვა ტიპების კლასიფიკაცია, როგორიცაა ზოლები, შერწყმა და ძლიერი ლინზირებული ობიექტები. Მაგალითად, დაკავშირებული კვლევა MK Cavanagh-დან და K. Bekki-მ გამოიყენეს CNN-ები გალაქტიკების შერწყმისას შტრიხების წარმონაქმნების გამოსაკვლევად.
როგორ მუშაობს
NAOJ-ის მეცნიერები ეყრდნობოდნენ კონვოლუციურს ნეირონული ქსელები ან CNN-ები სურათების კლასიფიკაციისთვის. 2015 წლიდან CNN-ები გახდა ძალიან ზუსტი ტექნიკა გარკვეული ობიექტების კლასიფიკაციისთვის. CNN-ების რეალური აპლიკაციები მოიცავს სახის ამოცნობას სურათებში, თვითმართვადი მანქანებში, ხელნაწერი სიმბოლოების ამოცნობას და სამედიცინო გამოსახულების ანალიზი.
მაგრამ როგორ მუშაობს CNN?
CNN ეკუთვნის მანქანათმცოდნეობის ტექნიკის კლასს, რომელიც ცნობილია როგორც კლასიფიკატორი. კლასიფიკატორებს შეუძლიათ მიიღონ გარკვეული შეყვანა და გამომავალი მონაცემების წერტილი. მაგალითად, ქუჩის ნიშნების კლასიფიკატორი შეძლებს სურათის გადაღებას და გამოტანას, არის თუ არა სურათი ქუჩის ნიშანი.
CNN არის მაგალითი ა ნერვული ქსელის. ეს ნერვული ქსელები შედგება ნეირონები ორგანიზებული ფენების. ტრენინგის ფაზაში, ეს ნეირონები მორგებულია სპეციფიკური წონისა და მიკერძოების ადაპტაციისთვის, რაც ხელს შეუწყობს საჭირო კლასიფიკაციის პრობლემის გადაჭრას.
როდესაც ნეირონული ქსელი იღებს სურათს, ის იღებს გამოსახულების მცირე უბნებს და არა მთლიანობაში, თითოეული ნეირონი ურთიერთქმედებს სხვა ნეირონებთან, როგორც ეს იღებს მთავარი გამოსახულების სხვადასხვა მონაკვეთებს.
კონვოლუციური ფენების არსებობა CNN-ს განასხვავებს სხვა ნერვული ქსელებისგან. ეს ფენები სკანირებენ პიქსელების გადახურულ ბლოკებს, რათა ამოიცნონ მახასიათებლები შეყვანილი სურათიდან. ვინაიდან ჩვენ ვაკავშირებთ ერთმანეთთან ახლოს მყოფ ნეირონებს, ქსელს გაუადვილდება სურათის გაგება, რადგან შეყვანის მონაცემები თითოეულ ფენაში გადის.
გამოყენება Galaxy მორფოლოგიაში
როდესაც გამოიყენება გალაქტიკების კლასიფიკაციაში, CNN-ები არღვევს გალაქტიკის გამოსახულებას უფრო პატარა „ნაწილებად“. ცოტა მათემატიკის გამოყენებით, პირველი ფარული ფენა შეეცდება გადაწყვიტოს პატჩი შეიცავს ხაზს თუ მრუდს. შემდგომი ფენები შეეცდებიან გადაჭრას უფრო რთული კითხვები, როგორიცაა, შეიცავს თუ არა პაჩი სპირალური გალაქტიკის მახასიათებლებს, როგორიცაა მკლავის არსებობა.
მიუხედავად იმისა, რომ შედარებით მარტივია იმის დადგენა, შეიცავს თუ არა გამოსახულების მონაკვეთი სწორ ხაზს, სულ უფრო რთული ხდება კითხვა, გვიჩვენებს თუ არა გამოსახულება სპირალურ გალაქტიკას, რომ აღარაფერი ვთქვათ რა ტიპის სპირალურ გალაქტიკას.
ნერვული ქსელებით, კლასიფიკატორი იწყება შემთხვევითი წესებით და კრიტერიუმებით. ეს წესები ნელ-ნელა ხდება უფრო ზუსტი და შესაბამისი იმ პრობლემისთვის, რომლის გადაჭრასაც ვცდილობთ. ტრენინგის ფაზის დასასრულს, ნერვულ ქსელს ახლა უნდა ჰქონდეს კარგი წარმოდგენა იმის შესახებ, თუ რა თვისებები უნდა მოძებნოს სურათში.
ხელოვნური ინტელექტის გაფართოება Citizen Science-ის გამოყენებით
მოქალაქეთა მეცნიერება გულისხმობს მეცნიერულ კვლევას, რომელსაც ატარებენ მოყვარული მეცნიერები ან საზოგადოების წევრები.
მეცნიერები, რომლებიც სწავლობენ ასტრონომიას, ხშირად თანამშრომლობენ მოქალაქე მეცნიერებთან, რათა დაეხმარონ უფრო მნიშვნელოვანი სამეცნიერო აღმოჩენების გაკეთებაში. NASA ინარჩუნებს ა სია ათობით მოქალაქის სამეცნიერო პროექტი, რომელშიც ნებისმიერს, ვისაც აქვს მობილური ტელეფონი ან ლეპტოპი, შეუძლია წვლილი შეიტანოს.
იაპონიის ეროვნულმა ასტრონომიულმა ობსერვატორიამ ასევე შექმნა მოქალაქეთა სამეცნიერო პროექტი, რომელიც ცნობილია როგორც Galaxy Cruise. ინიციატივა ამზადებს მოხალისეებს გალაქტიკების კლასიფიკაციისთვის და გალაქტიკებს შორის პოტენციური შეჯახების ნიშნების მოსაძებნად. კიდევ ერთი მოქალაქის პროექტი ე.წ Galaxy Zoo მან უკვე მიიღო 50 მილიონზე მეტი კლასიფიკაცია გაშვების პირველ წელს.
მოქალაქეთა სამეცნიერო პროექტების მონაცემების გამოყენებით, ჩვენ შეგვიძლია მატარებელი ნერვული ქსელები გალაქტიკების შემდგომი კლასიფიკაცია უფრო დეტალურ კლასებად. ჩვენ ასევე შეგვიძლია გამოვიყენოთ ეს მოქალაქის მეცნიერების ეტიკეტები საინტერესო მახასიათებლების მქონე გალაქტიკების მოსაძებნად. ისეთი ფუნქციები, როგორიცაა რგოლები და ლინზები, შესაძლოა ჯერ კიდევ რთული იყოს ნერვული ქსელის გამოყენებით.
დასკვნა
ნერვული ქსელის ტექნიკა სულ უფრო პოპულარული ხდება ასტრონომიის სფეროში. 2021 წელს ნასას ჯეიმს უების კოსმოსური ტელესკოპის გაშვება დაკვირვებითი ასტრონომიის ახალ ეპოქას გვპირდება. ტელესკოპმა უკვე შეაგროვა ტერაბაიტი მონაცემები, შესაძლოა ათასობით სხვა გზაზე მისი ხუთწლიანი მისიის განმავლობაში.
გალაქტიკების კლასიფიკაცია მხოლოდ ერთ-ერთია იმ მრავალი პოტენციური ამოცანიდან, რომლის მასშტაბირებაც შესაძლებელია ML-ით. იმის გამო, რომ კოსმოსური მონაცემების დამუშავება დიდ მონაცემთა პრობლემად იქცა, მკვლევარებმა უნდა გამოიყენონ მოწინავე მანქანათმცოდნეობა სრული სურათის გასაგებად.
დატოვე პასუხი