ಮುಖ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಸ್ವಯಂ ಚಾಲನಾ ಕಾರುಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವ ಅದೇ ತಂತ್ರಜ್ಞಾನವು ಶೀಘ್ರದಲ್ಲೇ ಬ್ರಹ್ಮಾಂಡದ ಗುಪ್ತ ರಹಸ್ಯಗಳನ್ನು ಅನ್ಲಾಕ್ ಮಾಡುವಲ್ಲಿ ಪ್ರಮುಖ ಸಾಧನವಾಗಿದೆ.
ವೀಕ್ಷಣಾ ಖಗೋಳಶಾಸ್ತ್ರದಲ್ಲಿನ ಇತ್ತೀಚಿನ ಬೆಳವಣಿಗೆಗಳು ದತ್ತಾಂಶದ ಸ್ಫೋಟಕ್ಕೆ ಕಾರಣವಾಗಿವೆ.
ಶಕ್ತಿಯುತ ದೂರದರ್ಶಕಗಳು ಪ್ರತಿದಿನ ಟೆರಾಬೈಟ್ಗಳಷ್ಟು ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುತ್ತವೆ. ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು, ವಿಜ್ಞಾನಿಗಳು ಕ್ಷೇತ್ರದಲ್ಲಿ ವಿವಿಧ ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಹೊಸ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬೇಕು, ಉದಾಹರಣೆಗೆ ವಿಕಿರಣ ಮತ್ತು ಇತರ ಆಕಾಶ ವಿದ್ಯಮಾನಗಳನ್ನು ಅಳೆಯುವುದು.
ಖಗೋಳಶಾಸ್ತ್ರಜ್ಞರು ವೇಗಗೊಳಿಸಲು ಉತ್ಸುಕರಾಗಿರುವ ಒಂದು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯವೆಂದರೆ ಗೆಲಕ್ಸಿಗಳ ವರ್ಗೀಕರಣ. ಈ ಲೇಖನದಲ್ಲಿ, ಗೆಲಕ್ಸಿಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು ಏಕೆ ತುಂಬಾ ಮುಖ್ಯ ಮತ್ತು ಸಂಶೋಧಕರು ಡೇಟಾದ ಪ್ರಮಾಣ ಹೆಚ್ಚಾದಂತೆ ಅಳೆಯಲು ಸುಧಾರಿತ ಯಂತ್ರ ಕಲಿಕೆ ತಂತ್ರಗಳನ್ನು ಹೇಗೆ ಅವಲಂಬಿಸಲು ಪ್ರಾರಂಭಿಸಿದ್ದಾರೆ ಎಂಬುದರ ಕುರಿತು ನಾವು ಹೋಗುತ್ತೇವೆ.
ನಾವು ಗೆಲಕ್ಸಿಗಳನ್ನು ಏಕೆ ವರ್ಗೀಕರಿಸಬೇಕು?
ಗ್ಯಾಲಕ್ಸಿಗಳ ವರ್ಗೀಕರಣವು ಕ್ಷೇತ್ರದಲ್ಲಿ ಗ್ಯಾಲಕ್ಸಿ ರೂಪವಿಜ್ಞಾನ ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತದೆ, ಇದು 18 ನೇ ಶತಮಾನದಲ್ಲಿ ಹುಟ್ಟಿಕೊಂಡಿತು. ಆ ಸಮಯದಲ್ಲಿ, ಸರ್ ವಿಲಿಯಂ ಹರ್ಷಲ್ ಅವರು ವಿವಿಧ 'ನೀಹಾರಿಕೆಗಳು' ವಿವಿಧ ರೂಪಗಳಲ್ಲಿ ಬಂದಿರುವುದನ್ನು ಗಮನಿಸಿದರು. ಅವನ ಮಗ ಜಾನ್ ಹರ್ಷಲ್ ಗ್ಯಾಲಕ್ಸಿಯ ನೀಹಾರಿಕೆಗಳು ಮತ್ತು ಗ್ಯಾಲಕ್ಸಿಯೇತರ ನೀಹಾರಿಕೆಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ಈ ವರ್ಗೀಕರಣವನ್ನು ಸುಧಾರಿಸಿದರು. ಈ ಎರಡು ವರ್ಗೀಕರಣಗಳಲ್ಲಿ ಎರಡನೆಯದು ನಮಗೆ ತಿಳಿದಿರುವ ಮತ್ತು ಗೆಲಕ್ಸಿಗಳೆಂದು ಉಲ್ಲೇಖಿಸುತ್ತದೆ.
18 ನೇ ಶತಮಾನದ ಅಂತ್ಯದ ವೇಳೆಗೆ, ವಿವಿಧ ಖಗೋಳಶಾಸ್ತ್ರಜ್ಞರು ಈ ಕಾಸ್ಮಿಕ್ ವಸ್ತುಗಳು "ಹೆಚ್ಚುವರಿ ಗ್ಯಾಲಕ್ಸಿಯ" ಮತ್ತು ಅವು ನಮ್ಮದೇ ಆದ ಕ್ಷೀರಪಥದ ಹೊರಗೆ ಇವೆ ಎಂದು ಊಹಿಸಿದರು.
ಹಬಲ್ 1925 ರಲ್ಲಿ ಹಬಲ್ ಅನುಕ್ರಮದ ಪರಿಚಯದೊಂದಿಗೆ ಗೆಲಕ್ಸಿಗಳ ಹೊಸ ವರ್ಗೀಕರಣವನ್ನು ಪರಿಚಯಿಸಿದರು, ಇದನ್ನು ಅನೌಪಚಾರಿಕವಾಗಿ ಹಬಲ್ ಟ್ಯೂನಿಂಗ್-ಫೋರ್ಕ್ ರೇಖಾಚಿತ್ರ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.
ಹಬಲ್ನ ಅನುಕ್ರಮವು ಗೆಲಕ್ಸಿಗಳನ್ನು ನಿಯಮಿತ ಮತ್ತು ಅನಿಯಮಿತ ಗೆಲಕ್ಸಿಗಳಾಗಿ ವಿಂಗಡಿಸಿದೆ. ನಿಯಮಿತ ಗೆಲಕ್ಸಿಗಳನ್ನು ಮೂರು ವಿಶಾಲ ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ: ಎಲಿಪ್ಟಿಕಲ್ಸ್, ಸ್ಪೈರಲ್ಸ್ ಮತ್ತು ಲೆಂಟಿಕ್ಯುಲರ್.
ಗೆಲಕ್ಸಿಗಳ ಅಧ್ಯಯನವು ಬ್ರಹ್ಮಾಂಡವು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ಹಲವಾರು ಪ್ರಮುಖ ರಹಸ್ಯಗಳ ಒಳನೋಟವನ್ನು ನಮಗೆ ನೀಡುತ್ತದೆ. ನಕ್ಷತ್ರ ರಚನೆಯ ಪ್ರಕ್ರಿಯೆಯ ಬಗ್ಗೆ ಸಿದ್ಧಾಂತ ಮಾಡಲು ಸಂಶೋಧಕರು ಗೆಲಕ್ಸಿಗಳ ವಿವಿಧ ರೂಪಗಳನ್ನು ಬಳಸಿದ್ದಾರೆ. ಸಿಮ್ಯುಲೇಶನ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ವಿಜ್ಞಾನಿಗಳು ಇಂದು ನಾವು ವೀಕ್ಷಿಸುವ ಆಕಾರಗಳಲ್ಲಿ ಗೆಲಕ್ಸಿಗಳು ಹೇಗೆ ರೂಪುಗೊಳ್ಳುತ್ತವೆ ಎಂಬುದನ್ನು ರೂಪಿಸಲು ಪ್ರಯತ್ನಿಸಿದ್ದಾರೆ.
ಗೆಲಕ್ಸಿಗಳ ಸ್ವಯಂಚಾಲಿತ ರೂಪವಿಜ್ಞಾನ ವರ್ಗೀಕರಣ
ಗೆಲಕ್ಸಿಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವ ಸಂಶೋಧನೆಯು ಭರವಸೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸಿದೆ. 2020 ರಲ್ಲಿ, ಜಪಾನ್ನ ರಾಷ್ಟ್ರೀಯ ಖಗೋಳ ವೀಕ್ಷಣಾಲಯದ ಸಂಶೋಧಕರು ಎ ಆಳವಾದ ಕಲಿಕೆಯ ತಂತ್ರ ಗೆಲಕ್ಸಿಗಳನ್ನು ನಿಖರವಾಗಿ ವರ್ಗೀಕರಿಸಲು.
ಸಂಶೋಧಕರು ಸುಬಾರು/ಹೈಪರ್ ಸುಪ್ರಿಮ್-ಕ್ಯಾಮ್ (HSC) ಸಮೀಕ್ಷೆಯಿಂದ ಪಡೆದ ಚಿತ್ರಗಳ ದೊಡ್ಡ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸಿದ್ದಾರೆ. ತಮ್ಮ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು, ಅವರು ಗೆಲಕ್ಸಿಗಳನ್ನು ಎಸ್-ವೈಸ್ ಸ್ಪೈರಲ್ಸ್, ಝಡ್-ವೈಸ್ ಸ್ಪೈರಲ್ಸ್ ಮತ್ತು ನಾನ್-ಸ್ಪೈರಲ್ಸ್ ಎಂದು ವರ್ಗೀಕರಿಸಬಹುದು.
ಅವರ ಸಂಶೋಧನೆಯು ದೂರದರ್ಶಕಗಳಿಂದ ದೊಡ್ಡ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುವ ಪ್ರಯೋಜನಗಳನ್ನು ಪ್ರದರ್ಶಿಸಿತು ಆಳವಾದ ಕಲಿಕೆ ತಂತ್ರಗಳು. ನರ ಜಾಲಗಳ ಕಾರಣದಿಂದಾಗಿ, ಖಗೋಳಶಾಸ್ತ್ರಜ್ಞರು ಈಗ ಬಾರ್ಗಳು, ವಿಲೀನಗಳು ಮತ್ತು ಬಲವಾಗಿ ಲೆನ್ಸ್ ಮಾಡಿದ ವಸ್ತುಗಳಂತಹ ಇತರ ರೀತಿಯ ರೂಪವಿಜ್ಞಾನವನ್ನು ವರ್ಗೀಕರಿಸಲು ಪ್ರಯತ್ನಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಸಂಬಂಧಿತ ಸಂಶೋಧನೆ MK ಕ್ಯಾವನಾಗ್ ಮತ್ತು K. Bekki ರಿಂದ CNN ಗಳನ್ನು ವಿಲೀನಗೊಳಿಸುವ ಗೆಲಕ್ಸಿಗಳಲ್ಲಿ ಬಾರ್ ರಚನೆಗಳನ್ನು ತನಿಖೆ ಮಾಡಲು ಬಳಸಿದರು.
ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ
NAOJ ನ ವಿಜ್ಞಾನಿಗಳು ಕನ್ವಲ್ಯೂಷನಲ್ ಅನ್ನು ಅವಲಂಬಿಸಿದ್ದಾರೆ ನರಮಂಡಲ ಜಾಲಗಳು ಅಥವಾ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು CNNಗಳು. 2015 ರಿಂದ, ಕೆಲವು ವಸ್ತುಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು CNN ಗಳು ಅತ್ಯಂತ ನಿಖರವಾದ ತಂತ್ರವಾಗಿದೆ. CNN ಗಾಗಿ ನೈಜ-ಪ್ರಪಂಚದ ಅಪ್ಲಿಕೇಶನ್ಗಳು ಚಿತ್ರಗಳಲ್ಲಿನ ಮುಖ ಪತ್ತೆ, ಸ್ವಯಂ-ಚಾಲನಾ ಕಾರುಗಳು, ಕೈಬರಹದ ಅಕ್ಷರ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ಚಿತ್ರಣ ವಿಶ್ಲೇಷಣೆ.
ಆದರೆ CNN ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?
CNN ವರ್ಗೀಕರಣ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳ ವರ್ಗಕ್ಕೆ ಸೇರಿದೆ. ವರ್ಗೀಕರಣಕಾರರು ನಿರ್ದಿಷ್ಟ ಇನ್ಪುಟ್ ತೆಗೆದುಕೊಳ್ಳಬಹುದು ಮತ್ತು ಡೇಟಾ ಪಾಯಿಂಟ್ ಅನ್ನು ಔಟ್ಪುಟ್ ಮಾಡಬಹುದು. ಉದಾಹರಣೆಗೆ, ಸ್ಟ್ರೀಟ್ ಸೈನ್ ಕ್ಲಾಸಿಫೈಯರ್ ಇಮೇಜ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಮತ್ತು ಚಿತ್ರವು ರಸ್ತೆ ಚಿಹ್ನೆ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಔಟ್ಪುಟ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಒಂದು CNN ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ ನರಮಂಡಲ. ಈ ನರ ಜಾಲಗಳು ರಚಿತವಾಗಿವೆ ನರಕೋಶಗಳು ಆಗಿ ಆಯೋಜಿಸಲಾಗಿದೆ ಪದರಗಳು. ತರಬೇತಿಯ ಹಂತದಲ್ಲಿ, ಈ ನ್ಯೂರಾನ್ಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ತೂಕ ಮತ್ತು ಪಕ್ಷಪಾತಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಟ್ಯೂನ್ ಮಾಡಲಾಗುತ್ತದೆ, ಅದು ಅಗತ್ಯವಿರುವ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ನರಗಳ ಜಾಲವು ಚಿತ್ರವನ್ನು ಸ್ವೀಕರಿಸಿದಾಗ, ಅದು ಒಟ್ಟಾರೆಯಾಗಿ ಎಲ್ಲಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಚಿತ್ರದ ಸಣ್ಣ ಪ್ರದೇಶಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಪ್ರತಿಯೊಂದು ನರಕೋಶವು ಮುಖ್ಯ ಚಿತ್ರದ ವಿವಿಧ ವಿಭಾಗಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದರಿಂದ ಇತರ ನರಕೋಶಗಳೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುತ್ತದೆ.
ಕನ್ವಲ್ಯೂಷನಲ್ ಲೇಯರ್ಗಳ ಉಪಸ್ಥಿತಿಯು CNN ಅನ್ನು ಇತರ ನರ ಜಾಲಗಳಿಂದ ಭಿನ್ನವಾಗಿಸುತ್ತದೆ. ಈ ಲೇಯರ್ಗಳು ಇನ್ಪುಟ್ ಇಮೇಜ್ನಿಂದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗುರುತಿಸುವ ಗುರಿಯೊಂದಿಗೆ ಪಿಕ್ಸೆಲ್ಗಳ ಅತಿಕ್ರಮಿಸುವ ಬ್ಲಾಕ್ಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತದೆ. ನಾವು ಒಟ್ಟಿಗೆ ಇರುವ ನ್ಯೂರಾನ್ಗಳನ್ನು ಸಂಪರ್ಕಿಸುವುದರಿಂದ, ಪ್ರತಿ ಲೇಯರ್ನ ಮೂಲಕ ಇನ್ಪುಟ್ ಡೇಟಾ ಹಾದು ಹೋದಂತೆ ಚಿತ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನೆಟ್ವರ್ಕ್ ಸುಲಭ ಸಮಯವನ್ನು ಹೊಂದಿರುತ್ತದೆ.
ಗ್ಯಾಲಕ್ಸಿ ಮಾರ್ಫಾಲಜಿಯಲ್ಲಿ ಬಳಕೆ
ಗೆಲಕ್ಸಿಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಬಳಸಿದಾಗ, ಸಿಎನ್ಎನ್ಗಳು ನಕ್ಷತ್ರಪುಂಜದ ಚಿತ್ರವನ್ನು ಸಣ್ಣ "ಪ್ಯಾಚ್ಗಳಾಗಿ" ಒಡೆಯುತ್ತವೆ. ಸ್ವಲ್ಪ ಗಣಿತವನ್ನು ಬಳಸಿ, ಮೊದಲ ಗುಪ್ತ ಪದರವು ಪ್ಯಾಚ್ ಒಂದು ರೇಖೆ ಅಥವಾ ವಕ್ರರೇಖೆಯನ್ನು ಹೊಂದಿದೆಯೇ ಎಂಬುದನ್ನು ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ ಪದರಗಳು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತವೆ, ಉದಾಹರಣೆಗೆ ಪ್ಯಾಚ್ ಸುರುಳಿಯಾಕಾರದ ನಕ್ಷತ್ರಪುಂಜದ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹೊಂದಿದೆಯೇ, ಉದಾಹರಣೆಗೆ ತೋಳಿನ ಉಪಸ್ಥಿತಿ.
ಚಿತ್ರದ ಒಂದು ವಿಭಾಗವು ಸರಳ ರೇಖೆಯನ್ನು ಹೊಂದಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ತುಲನಾತ್ಮಕವಾಗಿ ಸುಲಭವಾಗಿದ್ದರೂ, ಚಿತ್ರವು ಸುರುಳಿಯಾಕಾರದ ನಕ್ಷತ್ರಪುಂಜವನ್ನು ತೋರಿಸುತ್ತದೆಯೇ ಎಂದು ಕೇಳುವುದು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾಗುತ್ತದೆ, ಯಾವ ರೀತಿಯ ಸುರುಳಿಯಾಕಾರದ ನಕ್ಷತ್ರಪುಂಜವನ್ನು ಬಿಡಿ.
ನರಗಳ ಜಾಲಗಳೊಂದಿಗೆ, ವರ್ಗೀಕರಣವು ಯಾದೃಚ್ಛಿಕ ನಿಯಮಗಳು ಮತ್ತು ಮಾನದಂಡಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಈ ನಿಯಮಗಳು ನಿಧಾನವಾಗಿ ಹೆಚ್ಚು ಹೆಚ್ಚು ನಿಖರವಾಗುತ್ತವೆ ಮತ್ತು ನಾವು ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಸಮಸ್ಯೆಗೆ ಸಂಬಂಧಿಸಿವೆ. ತರಬೇತಿಯ ಹಂತದ ಅಂತ್ಯದ ವೇಳೆಗೆ, ಚಿತ್ರದಲ್ಲಿ ಯಾವ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ನೋಡಬೇಕು ಎಂಬುದರ ಕುರಿತು ನರಮಂಡಲವು ಈಗ ಉತ್ತಮ ಕಲ್ಪನೆಯನ್ನು ಹೊಂದಿರಬೇಕು.
ನಾಗರಿಕ ವಿಜ್ಞಾನವನ್ನು ಬಳಸಿಕೊಂಡು AI ಅನ್ನು ವಿಸ್ತರಿಸುವುದು
ನಾಗರಿಕ ವಿಜ್ಞಾನವು ಹವ್ಯಾಸಿ ವಿಜ್ಞಾನಿಗಳು ಅಥವಾ ಸಾರ್ವಜನಿಕ ಸದಸ್ಯರು ನಡೆಸುವ ವೈಜ್ಞಾನಿಕ ಸಂಶೋಧನೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಖಗೋಳಶಾಸ್ತ್ರವನ್ನು ಅಧ್ಯಯನ ಮಾಡುವ ವಿಜ್ಞಾನಿಗಳು ಹೆಚ್ಚು ಪ್ರಮುಖವಾದ ವೈಜ್ಞಾನಿಕ ಆವಿಷ್ಕಾರಗಳನ್ನು ಮಾಡಲು ಸಹಾಯ ಮಾಡಲು ನಾಗರಿಕ ವಿಜ್ಞಾನಿಗಳೊಂದಿಗೆ ಹೆಚ್ಚಾಗಿ ಸಹಕರಿಸುತ್ತಾರೆ. NASA ನಿರ್ವಹಿಸುತ್ತದೆ a ಪಟ್ಟಿ ಸೆಲ್ಫೋನ್ ಅಥವಾ ಲ್ಯಾಪ್ಟಾಪ್ ಹೊಂದಿರುವ ಯಾರಾದರೂ ಕೊಡುಗೆ ನೀಡಬಹುದಾದ ಡಜನ್ಗಟ್ಟಲೆ ನಾಗರಿಕ ವಿಜ್ಞಾನ ಯೋಜನೆಗಳು.
ಜಪಾನ್ನ ರಾಷ್ಟ್ರೀಯ ಖಗೋಳ ವೀಕ್ಷಣಾಲಯವು ನಾಗರಿಕ ವಿಜ್ಞಾನ ಯೋಜನೆಯನ್ನು ಸಹ ಹಾಕಿದೆ ಗ್ಯಾಲಕ್ಸಿ ಕ್ರೂಸ್. ಉಪಕ್ರಮವು ಗೆಲಕ್ಸಿಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಮತ್ತು ಗೆಲಕ್ಸಿಗಳ ನಡುವಿನ ಸಂಭಾವ್ಯ ಘರ್ಷಣೆಗಳ ಚಿಹ್ನೆಗಳನ್ನು ನೋಡಲು ಸ್ವಯಂಸೇವಕರಿಗೆ ತರಬೇತಿ ನೀಡುತ್ತದೆ. ಎಂಬ ಮತ್ತೊಂದು ನಾಗರಿಕ ಯೋಜನೆ Galaxy Zoo ಪ್ರಾರಂಭವಾದ ಮೊದಲ ವರ್ಷದಲ್ಲಿ ಈಗಾಗಲೇ 50 ಮಿಲಿಯನ್ ವರ್ಗೀಕರಣಗಳನ್ನು ಪಡೆದಿದೆ.
ನಾಗರಿಕ ವಿಜ್ಞಾನ ಯೋಜನೆಗಳ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು, ನಾವು ಮಾಡಬಹುದು ನರ ಜಾಲಗಳಿಗೆ ತರಬೇತಿ ನೀಡಿ ಗೆಲಕ್ಸಿಗಳನ್ನು ಹೆಚ್ಚು ವಿವರವಾದ ವರ್ಗಗಳಾಗಿ ವರ್ಗೀಕರಿಸಲು. ಆಸಕ್ತಿದಾಯಕ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಗೆಲಕ್ಸಿಗಳನ್ನು ಹುಡುಕಲು ನಾವು ಈ ನಾಗರಿಕ ವಿಜ್ಞಾನ ಲೇಬಲ್ಗಳನ್ನು ಸಹ ಬಳಸಬಹುದು. ರಿಂಗ್ಗಳು ಮತ್ತು ಲೆನ್ಸ್ಗಳಂತಹ ವೈಶಿಷ್ಟ್ಯಗಳು ನರಮಂಡಲವನ್ನು ಬಳಸಿಕೊಂಡು ಹುಡುಕಲು ಇನ್ನೂ ಕಷ್ಟವಾಗಬಹುದು.
ತೀರ್ಮಾನ
ಖಗೋಳವಿಜ್ಞಾನ ಕ್ಷೇತ್ರದಲ್ಲಿ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ತಂತ್ರಗಳು ಹೆಚ್ಚು ಜನಪ್ರಿಯವಾಗುತ್ತಿವೆ. 2021 ರಲ್ಲಿ ನಾಸಾದ ಜೇಮ್ಸ್ ವೆಬ್ ಬಾಹ್ಯಾಕಾಶ ದೂರದರ್ಶಕದ ಉಡಾವಣೆಯು ವೀಕ್ಷಣಾ ಖಗೋಳಶಾಸ್ತ್ರದ ಹೊಸ ಯುಗವನ್ನು ಭರವಸೆ ನೀಡುತ್ತದೆ. ದೂರದರ್ಶಕವು ಈಗಾಗಲೇ ಟೆರಾಬೈಟ್ಗಳಷ್ಟು ದತ್ತಾಂಶವನ್ನು ಸಂಗ್ರಹಿಸಿದೆ, ಬಹುಶಃ ಅದರ ಐದು ವರ್ಷಗಳ ಮಿಷನ್ ಜೀವಿತಾವಧಿಯಲ್ಲಿ ಇನ್ನೂ ಸಾವಿರಾರು ಜನರು ದಾರಿಯಲ್ಲಿರಬಹುದು.
ಗೆಲಕ್ಸಿಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು ML ನೊಂದಿಗೆ ಅಳೆಯಬಹುದಾದ ಅನೇಕ ಸಂಭಾವ್ಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಬಾಹ್ಯಾಕಾಶ ದತ್ತಾಂಶ ಸಂಸ್ಕರಣೆಯು ತನ್ನದೇ ಆದ ದೊಡ್ಡ ಡೇಟಾ ಸಮಸ್ಯೆಯಾಗುವುದರೊಂದಿಗೆ, ದೊಡ್ಡ ಚಿತ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಂಶೋಧಕರು ಸುಧಾರಿತ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬಳಸಿಕೊಳ್ಳಬೇಕು.
ಪ್ರತ್ಯುತ್ತರ ನೀಡಿ