Бет-әлпетті тану және өзін-өзі басқаратын көліктерді басқаратын технология жақын арада ғаламның жасырын құпияларын ашудың негізгі құралы болуы мүмкін.
Бақылау астрономиясындағы соңғы жаңалықтар деректердің жарылуына әкелді.
Қуатты телескоптар күн сайын терабайт деректер жинайды. Осыншама деректерді өңдеу үшін ғалымдар радиацияны және басқа аспан құбылыстарын өлшеу сияқты саладағы әртүрлі тапсырмаларды автоматтандырудың жаңа жолдарын табуы керек.
Астрономдар тездетуге асығатын нақты тапсырманың бірі - галактикаларды жіктеу. Бұл мақалада біз галактикаларды жіктеу неге соншалықты маңызды екенін және деректер көлемі ұлғайған сайын зерттеушілер машиналық оқытудың озық әдістеріне қалай сүйене бастағанын қарастырамыз.
Неліктен бізге галактикаларды жіктеу керек?
Салада галактика морфологиясы деп аталатын галактикалардың классификациясы 18 ғасырда пайда болды. Сол уақыт ішінде сэр Уильям Гершель әртүрлі «тұмандықтардың» әртүрлі формада келетінін байқады. Оның ұлы Джон Гершель галактикалық тұмандықтар мен галактикалық емес тұмандықтарды ажырата отырып, осы классификацияны жетілдірді. Осы екі классификацияның соңғысы біз білетін және галактикалар деп атайтын нәрсе.
18 ғасырдың аяғында әртүрлі астрономдар бұл ғарыштық нысандар «экстрагалактикалық» және олар біздің Құс жолының сыртында жатыр деп жорамалдады.
Хаббл бейресми түрде Хаббл тюнинг-форк диаграммасы ретінде белгілі Хаббл тізбегін енгізу арқылы 1925 жылы галактикалардың жаңа классификациясын енгізді.
Хаббл тізбегі галактикаларды дұрыс және дұрыс емес галактикаларға бөлді. Қалыпты галактикалар үш кең класқа бөлінді: эллипстік, спиральдық және линза тәрізді.
Галактикаларды зерттеу бізге ғаламның қалай жұмыс істейтіні туралы бірнеше негізгі құпияларды түсінуге мүмкіндік береді. Зерттеушілер жұлдыздардың пайда болу процесі туралы теория жасау үшін галактикалардың әртүрлі формаларын пайдаланды. Модельдеулерді пайдалана отырып, ғалымдар сонымен қатар галактикалардың бүгінгі біз байқап отырған пішіндерге қалай қалыптасатынын модельдеуге тырысты.
Галактикалардың автоматтандырылған морфологиялық классификациясы
Галактикаларды жіктеу үшін машиналық оқытуды пайдалану бойынша зерттеулер перспективалы нәтижелер көрсетті. 2020 жылы Жапонияның Ұлттық астрономиялық обсерваториясының зерттеушілері а терең оқыту әдістемесі галактикаларды дәл жіктеу.
Зерттеушілер Subaru/Hyper Suprime-Cam (HSC) сауалнамасынан алынған суреттердің үлкен деректер жинағын пайдаланды. Өз техникасын пайдалана отырып, олар галактикаларды S-тәрізді спиральдар, Z-дана спиральдар және спираль емес деп жіктей алды.
Олардың зерттеулері телескоптардан алынған үлкен деректерді біріктірудің артықшылықтарын көрсетті терең білім алу әдістер. Нейрондық желілердің арқасында астрономдар енді жолақтар, біріктірулер және қатты линзаланған нысандар сияқты морфологияның басқа түрлерін жіктей алады. Мысалға, байланысты зерттеулер MK Cavanagh және K. Bekki CNN көмегімен галактикаларды біріктірудегі жолақ түзілімдерін зерттеді.
Бұл қалай жұмыс істейді
NAOJ ғалымдары конволюцияға сүйенді нейрондық желілер немесе кескіндерді жіктеу үшін CNN. 2015 жылдан бастап CNN белгілі бір объектілерді жіктеудің өте дәл әдісі болды. CNN-ге арналған нақты қолданбаларға суреттердегі бетті анықтау, өздігінен жүретін көліктер, қолжазба кейіпкерлерді тану және медициналық бейнелерді талдау.
Бірақ CNN қалай жұмыс істейді?
CNN классификатор ретінде белгілі машиналық оқыту әдістерінің класына жатады. Классфикаторлар белгілі бір енгізуді қабылдап, деректер нүктесін шығара алады. Мысалы, көше белгілерінің классификаторы кескінді қабылдап, оның көше белгісі болып табылатынын немесе емес екенін шығара алады.
CNN мысалы болып табылады нейрондық желі. Бұл нейрондық желілерден тұрады нейрондар болып ұйымдастырылды қабаттар. Жаттығу кезеңінде бұл нейрондар талап етілетін жіктеу мәселесін шешуге көмектесетін нақты салмақтар мен қиғаштықтарды бейімдеу үшін реттеледі.
Нейрондық желі кескінді қабылдағанда, ол тұтастай алғанда емес, кескіннің кішігірім аймақтарын алады, әрбір жеке нейрон негізгі кескіннің әртүрлі бөліктерін алатындай басқа нейрондармен әрекеттеседі.
Конволюциялық қабаттардың болуы CNN-ді басқа нейрондық желілерден ерекшелендіреді. Бұл қабаттар кіріс кескініндегі мүмкіндіктерді анықтау мақсатымен қабаттасатын пиксел блоктарын сканерлейді. Біз бір-біріне жақын орналасқан нейрондарды қосатындықтан, кіріс деректері әрбір қабат арқылы өткенде желі суретті түсінуге оңайырақ болады.
Галактика морфологиясында қолданылуы
Галактикаларды жіктеу кезінде CNN галактиканың кескінін кішірек «патчтарға» бөледі. Біраз математиканы қолдана отырып, бірінші жасырын қабат патчта сызық немесе қисық бар-жоғын шешуге тырысады. Әрі қарай қабаттар патчта қолдың болуы сияқты спиральды галактиканың ерекшелігі бар ма деген сияқты күрделі сұрақтарды шешуге тырысады.
Кескіннің бір бөлігінде түзу сызықтың бар-жоғын анықтау оңай болғанымен, суретте спиральды галактиканың қандай түрін айтпағанда, спиральды галактиканы көрсететінін сұрау қиындай түседі.
Нейрондық желілерде классификатор кездейсоқ ережелер мен критерийлерден басталады. Бұл ережелер бірте-бірте біз шешуге тырысып жатқан мәселеге дәлірек және сәйкес келеді. Жаттығу кезеңінің соңында нейрондық желіде кескінде қандай мүмкіндіктерді іздеу керектігі туралы жақсы түсінік болуы керек.
Citizen Science көмегімен AI кеңейту
Азаматтық ғылым әуесқой ғалымдар немесе қоғам мүшелері жүргізетін ғылыми зерттеулерді білдіреді.
Астрономияны зерттейтін ғалымдар маңыздырақ ғылыми жаңалықтар жасауға көмектесу үшін жиі азаматтық ғалымдармен бірлесіп жұмыс істейді. NASA сақтайды тізім ұялы телефоны немесе ноутбугы бар кез келген адам қатыса алатын ондаған азаматтық ғылыми жобалардың бірі.
Жапонияның Ұлттық астрономиялық обсерваториясы сонымен қатар азаматтық ғылым жобасын жасады Галакси круиз. Бұл бастама еріктілерді галактикаларды жіктеуге және галактикалар арасындағы ықтимал соқтығыстардың белгілерін іздеуге үйретеді. Тағы бір азаматтық жоба шақырылды Галактика хайуанаттар бағы ұшырылған бірінші жыл ішінде 50 миллионнан астам классификацияны алды.
Азаматтық ғылым жобаларының деректерін пайдалана отырып, біз жасай аламыз нейрондық желілерді жаттықтыру галактикаларды одан әрі егжей-тегжейлі класстарға жіктеу. Біз сондай-ақ осы азаматтық ғылым белгілерін қызықты мүмкіндіктері бар галактикаларды табу үшін пайдалана аламыз. Сақиналар мен линзалар сияқты мүмкіндіктерді нейрондық желі арқылы табу әлі де қиын болуы мүмкін.
қорытынды
Нейрондық желі әдістері астрономия саласында танымал бола түсуде. 2021 жылы NASA-ның Джеймс Уэбб ғарыштық телескопының ұшырылуы бақылау астрономиясының жаңа дәуірін уәде етеді. Телескоп қазірдің өзінде терабайт деректер жинады, оның бес жылдық миссиясының қызмет ету мерзімінде тағы мыңдаған деректер болуы мүмкін.
Галактикаларды жіктеу ML көмегімен кеңейтілуі мүмкін көптеген әлеуетті тапсырмалардың бірі ғана. Ғарыштық деректерді өңдеу өзінің үлкен деректер мәселесіне айналғанда, зерттеушілер үлкен суретті түсіну үшін кеңейтілген машиналық оқытуды толығымен пайдалануы керек.
пікір қалдыру