បច្ចេកវិទ្យាដូចគ្នាដែលជំរុញការសម្គាល់ផ្ទៃមុខ និងរថយន្តដែលបើកបរដោយខ្លួនឯង អាចនឹងក្លាយទៅជាឧបករណ៍ដ៏សំខាន់មួយក្នុងការដោះសោអាថ៌កំបាំងដែលលាក់កំបាំងនៃសាកលលោក។
ការវិវឌ្ឍន៍ថ្មីៗក្នុងវិស័យតារាសាស្ត្រសង្កេតបាននាំឱ្យមានការផ្ទុះទិន្នន័យ។
តេឡេស្កុបដ៏មានអានុភាពប្រមូលទិន្នន័យ terabytes ប្រចាំថ្ងៃ។ ដើម្បីដំណើរការទិន្នន័យច្រើននោះ អ្នកវិទ្យាសាស្ត្រត្រូវស្វែងរកវិធីថ្មីដើម្បីធ្វើស្វ័យប្រវត្តិកម្មកិច្ចការផ្សេងៗក្នុងវិស័យនេះ ដូចជាការវាស់ស្ទង់វិទ្យុសកម្ម និងបាតុភូតឋានសួគ៌ផ្សេងទៀត។
កិច្ចការពិសេសមួយដែលអ្នកតារាវិទូចង់បង្កើនល្បឿនគឺការចាត់ថ្នាក់នៃកាឡាក់ស៊ី។ នៅក្នុងអត្ថបទនេះ យើងនឹងពិភាក្សាអំពីមូលហេតុដែលការចាត់ថ្នាក់កាឡាក់ស៊ីមានសារៈសំខាន់ខ្លាំង និងរបៀបដែលអ្នកស្រាវជ្រាវបានចាប់ផ្តើមពឹងផ្អែកលើបច្ចេកទេសរៀនម៉ាស៊ីនកម្រិតខ្ពស់ដើម្បីធ្វើមាត្រដ្ឋាននៅពេលដែលបរិមាណទិន្នន័យកើនឡើង។
ហេតុអ្វីយើងត្រូវចាត់ថ្នាក់កាឡាក់ស៊ី?
ការចាត់ថ្នាក់នៃកាឡាក់ស៊ី ដែលគេស្គាល់ក្នុងវិស័យនេះថាជា សរីរវិទ្យានៃកាឡាក់ស៊ី មានដើមកំណើតនៅសតវត្សទី 18 ។ ក្នុងអំឡុងពេលនោះ លោក Sir William Herschel បានសង្កេតឃើញថា 'nebuale' ជាច្រើនបានមកក្នុងទម្រង់ផ្សេងៗគ្នា។ កូនប្រុសរបស់គាត់ឈ្មោះ John Herschel បានធ្វើឱ្យប្រសើរឡើងលើចំណាត់ថ្នាក់នេះដោយបែងចែករវាង nebulae galactic និង nebulae មិនមែន galactic ។ ចំណាត់ថ្នាក់ចុងក្រោយនៃការបែងចែកទាំងពីរនេះគឺជាអ្វីដែលយើងដឹង និងសំដៅទៅលើកាឡាក់ស៊ី។
នៅចុងបញ្ចប់នៃសតវត្សទី 18 តារាវិទូជាច្រើនបានប៉ាន់ស្មានថាវត្ថុលោហធាតុទាំងនេះគឺជា "កាឡាក់ស៊ីបន្ថែម" ហើយថាពួកវាស្ថិតនៅខាងក្រៅមីលគីវេយរបស់យើង។
Hubble បានណែនាំការចាត់ថ្នាក់ថ្មីនៃកាឡាក់ស៊ីនៅឆ្នាំ 1925 ជាមួយនឹងការណែនាំនៃលំដាប់ Hubble ដែលត្រូវបានគេស្គាល់ក្រៅផ្លូវការថាជាដ្យាក្រាមលៃតម្រូវ Hubble ។
លំដាប់របស់ Hubble បានបែងចែកកាឡាក់ស៊ីទៅជាកាឡាក់ស៊ីធម្មតា និងមិនទៀងទាត់។ កាឡាក់ស៊ីធម្មតាត្រូវបានបែងចែកបន្ថែមទៀតជាបីថ្នាក់ធំៗ៖ រាងអេលីបទិក វង់ និងឡិនទីកូល។
ការសិក្សាអំពីកាឡាក់ស៊ីផ្តល់ឱ្យយើងនូវការយល់ដឹងអំពីអាថ៌កំបាំងសំខាន់ៗមួយចំនួនអំពីរបៀបដែលសកលលោកដំណើរការ។ អ្នកស្រាវជ្រាវបានប្រើទម្រង់ផ្សេងៗគ្នានៃកាឡាក់ស៊ីដើម្បីទ្រឹស្តីអំពីដំណើរការបង្កើតផ្កាយ។ ដោយប្រើការក្លែងធ្វើ អ្នកវិទ្យាសាស្ត្រក៏បានព្យាយាមធ្វើគំរូពីរបៀបដែលកាឡាក់ស៊ីខ្លួនឯងបង្កើតជារូបរាងដែលយើងសង្កេតឃើញសព្វថ្ងៃនេះ។
ចំណាត់ថ្នាក់ morphological ដោយស្វ័យប្រវត្តិនៃកាឡាក់ស៊ី
ការស្រាវជ្រាវលើការប្រើប្រាស់ម៉ាស៊ីនរៀនដើម្បីចាត់ថ្នាក់កាឡាក់ស៊ីបានបង្ហាញពីលទ្ធផលដ៏ជោគជ័យ។ ក្នុងឆ្នាំ 2020 អ្នកស្រាវជ្រាវមកពីអង្គការសង្កេតតារាសាស្ត្រជាតិនៃប្រទេសជប៉ុនបានប្រើ a បច្ចេកទេសសិក្សាជ្រៅ ដើម្បីចាត់ថ្នាក់កាឡាក់ស៊ីឱ្យបានត្រឹមត្រូវ។
អ្នកស្រាវជ្រាវបានប្រើសំណុំទិន្នន័យដ៏ធំនៃរូបភាពដែលទទួលបានពីការស្ទង់មតិ Subaru/Hyper Suprime-Cam (HSC) ។ ដោយប្រើបច្ចេកទេសរបស់ពួកគេ ពួកគេអាចចាត់ថ្នាក់កាឡាក់ស៊ីទៅជាវង់ S-wise, Z-wise spirals និង non-spirals។
ការស្រាវជ្រាវរបស់ពួកគេបានបង្ហាញពីគុណសម្បត្តិនៃការរួមបញ្ចូលទិន្នន័យដ៏ធំពីកែវយឹតជាមួយ ការរៀនសូត្រជ្រៅ បច្ចេកទេស។ ដោយសារតែសំណាញ់សរសៃប្រសាទ ឥឡូវនេះតារាវិទូអាចព្យាយាមចាត់ថ្នាក់ប្រភេទផ្សេងទៀតនៃរូបវិទ្យាដូចជា របារ ការរួមបញ្ចូលគ្នា និងវត្ថុដែលមានកញ្ចក់ខ្លាំង។ ឧទាហរណ៍, ការស្រាវជ្រាវពាក់ព័ន្ធ ពី MK Cavanagh និង K. Bekki បានប្រើ CNNs ដើម្បីស៊ើបអង្កេតការបង្កើតរបារនៅក្នុងការបញ្ចូលគ្នានៃកាឡាក់ស៊ី។
របៀបដែលវាធ្វើការ
អ្នកវិទ្យាសាស្ត្រមកពី NAOJ ពឹងផ្អែកលើការបង្រួបបង្រួម បណ្តាញសរសៃប្រសាទ ឬ CNNs ដើម្បីចាត់ថ្នាក់រូបភាព។ ចាប់តាំងពីឆ្នាំ 2015 មក CNNs បានក្លាយជាបច្ចេកទេសត្រឹមត្រូវបំផុតក្នុងការចាត់ថ្នាក់វត្ថុជាក់លាក់។ កម្មវិធីពិភពលោកពិតសម្រាប់ CNN រួមមានការសម្គាល់មុខនៅក្នុងរូបភាព រថយន្តបើកបរដោយខ្លួនឯង ការសម្គាល់តួអក្សរដែលសរសេរដោយដៃ និងវេជ្ជសាស្ត្រ ការវិភាគរូបភាព.
ប៉ុន្តែតើ CNN ដំណើរការយ៉ាងដូចម្តេច?
CNN ជាកម្មសិទ្ធិរបស់ថ្នាក់នៃបច្ចេកទេសរៀនម៉ាស៊ីនដែលគេស្គាល់ថាជាអ្នកចាត់ថ្នាក់។ អ្នកចាត់ថ្នាក់អាចយកធាតុបញ្ចូលជាក់លាក់ និងបញ្ចេញចំណុចទិន្នន័យ។ ឧទាហរណ៍ អ្នកចាត់ថ្នាក់ផ្លាកសញ្ញាផ្លូវនឹងអាចចាប់យករូបភាព និងបញ្ចេញថាតើរូបភាពជាសញ្ញាផ្លូវឬអត់។
ទូរទស្សន៍ CNN គឺជាឧទាហរណ៍នៃ ក បណ្តាញសរសៃប្រសាទ. បណ្តាញសរសៃប្រសាទទាំងនេះត្រូវបានផ្សំឡើងដោយ សរសៃប្រសាទ រៀបចំនៅក្នុង ស្រទាប់. ក្នុងដំណាក់កាលបណ្តុះបណ្តាល ណឺរ៉ូនទាំងនេះត្រូវបានសម្រួលដើម្បីសម្របទម្ងន់ជាក់លាក់ និងលំអៀងដែលនឹងជួយដោះស្រាយបញ្ហាចំណាត់ថ្នាក់ដែលត្រូវការ។
នៅពេលដែលបណ្តាញសរសៃប្រសាទទទួលបានរូបភាពមួយ វាត្រូវការផ្នែកតូចៗនៃរូបភាពជាជាងអ្វីៗទាំងអស់ទាំងមូល ណឺរ៉ូននីមួយៗមានអន្តរកម្មជាមួយណឺរ៉ូនផ្សេងទៀតនៅពេលដែលវាស្ថិតនៅក្នុងផ្នែកផ្សេងៗនៃរូបភាពសំខាន់។
វត្តមាននៃស្រទាប់ convolutional ធ្វើឱ្យ CNN ខុសពីបណ្តាញសរសៃប្រសាទផ្សេងទៀត។ ស្រទាប់ទាំងនេះស្កេនប្លុកនៃភីកសែលត្រួតគ្នាជាមួយនឹងគោលដៅកំណត់អត្តសញ្ញាណលក្ខណៈពិសេសពីរូបភាពបញ្ចូល។ ដោយសារយើងភ្ជាប់ណឺរ៉ូនដែលនៅជិតគ្នា បណ្តាញនឹងមានពេលវេលាកាន់តែងាយស្រួលក្នុងការយល់ដឹងអំពីរូបភាព នៅពេលដែលទិន្នន័យបញ្ចូលឆ្លងកាត់ស្រទាប់នីមួយៗ។
ការប្រើប្រាស់នៅក្នុង Galaxy Morphology
នៅពេលប្រើក្នុងការចាត់ថ្នាក់កាឡាក់ស៊ី CNNs បំបែករូបភាពនៃកាឡាក់ស៊ីទៅជា "បំណះ" តូចជាង។ ដោយប្រើគណិតវិទ្យាបន្តិច ស្រទាប់លាក់ដំបូងនឹងព្យាយាមដោះស្រាយថាតើបំណះមានបន្ទាត់ ឬខ្សែកោង។ ស្រទាប់បន្ថែមទៀតនឹងព្យាយាមដោះស្រាយសំណួរដែលស្មុគស្មាញកាន់តែខ្លាំងឡើង ដូចជាថាតើបំណះមានលក្ខណៈពិសេសរបស់កាឡាក់ស៊ីរាងជារង្វង់ ដូចជាវត្តមានដៃ។
ខណៈពេលដែលវាមានភាពងាយស្រួលក្នុងការកំណត់ថាតើផ្នែកនៃរូបភាពមានបន្ទាត់ត្រង់នោះ វាកាន់តែស្មុគស្មាញក្នុងការសួរថាតើរូបភាពបង្ហាញពីកាឡាក់ស៊ីរាងជារង្វង់ឬអត់ អនុញ្ញាតឱ្យមើលកាឡាក់ស៊ីវង់មួយប្រភេទណា។
ជាមួយនឹងបណ្តាញសរសៃប្រសាទ អ្នកចាត់ថ្នាក់ចាប់ផ្តើមដោយច្បាប់ចៃដន្យ និងលក្ខណៈវិនិច្ឆ័យ។ ច្បាប់ទាំងនេះបន្តិចម្តងៗកាន់តែមានភាពច្បាស់លាស់ និងពាក់ព័ន្ធទៅនឹងបញ្ហាដែលយើងកំពុងព្យាយាមដោះស្រាយ។ នៅចុងបញ្ចប់នៃដំណាក់កាលបណ្តុះបណ្តាល បណ្តាញសរសៃប្រសាទគួរមានគំនិតល្អអំពីលក្ខណៈពិសេសដែលត្រូវរកមើលនៅក្នុងរូបភាពមួយ។
ការពង្រីក AI ដោយប្រើវិទ្យាសាស្ត្រពលរដ្ឋ
វិទ្យាសាស្ត្រប្រជាពលរដ្ឋសំដៅលើការស្រាវជ្រាវវិទ្យាសាស្ត្រដែលធ្វើឡើងដោយអ្នកវិទ្យាសាស្ត្រស្ម័គ្រចិត្ត ឬសមាជិកសាធារណៈ។
អ្នកវិទ្យាសាស្ត្រដែលសិក្សាផ្នែកតារាសាស្ត្រជារឿយៗសហការជាមួយអ្នកវិទ្យាសាស្ត្រពលរដ្ឋដើម្បីជួយបង្កើតរបកគំហើញវិទ្យាសាស្ត្រសំខាន់ៗបន្ថែមទៀត។ អង្គការ NASA រក្សា A បញ្ជី គម្រោងវិទ្យាសាស្ត្រពលរដ្ឋរាប់សិប ដែលអ្នកណាម្នាក់ដែលមានទូរសព្ទដៃ ឬកុំព្យូទ័រយួរដៃអាចចូលរួមចំណែកបាន។
អង្គការសង្កេតតារាសាស្ត្រជាតិនៃប្រទេសជប៉ុនក៏បានដាក់គម្រោងវិទ្យាសាស្ត្រពលរដ្ឋដែលគេស្គាល់ថាជា Galaxy Cruise. គំនិតផ្តួចផ្តើមនេះបណ្តុះបណ្តាលអ្នកស្ម័គ្រចិត្តដើម្បីចាត់ថ្នាក់កាឡាក់ស៊ី និងរកមើលសញ្ញានៃការប៉ះទង្គិចដែលអាចកើតមានរវាងកាឡាក់ស៊ី។ គម្រោងពលរដ្ឋមួយទៀតហៅកាត់ សួនសត្វ Galaxy បានទទួលចំណាត់ថ្នាក់ជាង 50 លានរួចហើយនៅក្នុងឆ្នាំដំបូងនៃការចាប់ផ្តើម។
ដោយប្រើទិន្នន័យពីគម្រោងវិទ្យាសាស្ត្រពលរដ្ឋ យើងអាចធ្វើបាន បណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ ដើម្បីចាត់ថ្នាក់កាឡាក់ស៊ីទៅជាថ្នាក់លម្អិតបន្ថែមទៀត។ យើងក៏អាចប្រើស្លាកវិទ្យាសាស្ត្រពលរដ្ឋទាំងនេះ ដើម្បីស្វែងរកកាឡាក់ស៊ីដែលមានលក្ខណៈពិសេសគួរឱ្យចាប់អារម្មណ៍។ លក្ខណៈពិសេសដូចជាចិញ្ចៀន និងកែវថតប្រហែលជានៅតែពិបាកក្នុងការស្វែងរកដោយប្រើបណ្តាញសរសៃប្រសាទ។
សន្និដ្ឋាន
បច្ចេកទេសបណ្តាញសរសៃប្រសាទកំពុងមានប្រជាប្រិយភាពកាន់តែខ្លាំងឡើងនៅក្នុងវិស័យតារាសាស្ត្រ។ ការបាញ់បង្ហោះកែវយឺតអវកាស James Webb របស់ NASA ក្នុងឆ្នាំ 2021 សន្យាថានឹងបង្កើតយុគសម័យថ្មីនៃតារាសាស្ត្រសង្កេត។ តេឡេស្កុបបានប្រមូលទិន្នន័យតេរ៉ាបៃរួចហើយ ដោយអាចមានរាប់ពាន់ទៀតនៅលើផ្លូវក្នុងជីវិតបេសកកម្មរយៈពេលប្រាំឆ្នាំ។
ការចាត់ថ្នាក់កាឡាក់ស៊ីគឺគ្រាន់តែជាកិច្ចការដ៏មានសក្តានុពលមួយក្នុងចំនោមកិច្ចការដ៏មានសក្តានុពលជាច្រើនដែលអាចត្រូវបានធ្វើមាត្រដ្ឋានជាមួយ ML ។ ជាមួយនឹងដំណើរការទិន្នន័យអវកាសក្លាយជាបញ្ហា Big Data របស់វា អ្នកស្រាវជ្រាវត្រូវតែប្រើការរៀនម៉ាស៊ីនកម្រិតខ្ពស់យ៉ាងពេញលេញដើម្បីយល់ពីរូបភាពធំ។
សូមផ្ដល់យោបល់