얼굴 인식과 자율 주행 자동차를 구동하는 동일한 기술이 곧 우주의 숨겨진 비밀을 푸는 핵심 도구가 될 수 있습니다.
관측 천문학의 최근 발전으로 인해 데이터가 폭발적으로 증가했습니다.
강력한 망원경은 매일 테라바이트의 데이터를 수집합니다. 그 많은 데이터를 처리하기 위해 과학자들은 방사선 및 기타 천체 현상 측정과 같은 현장의 다양한 작업을 자동화하는 새로운 방법을 찾아야 합니다.
천문학자들이 속도를 내기를 열망하는 한 가지 특정 작업은 은하의 분류입니다. 이 기사에서는 은하 분류가 왜 그렇게 중요한지, 그리고 연구자들이 데이터 양이 증가함에 따라 규모를 확장하기 위해 고급 기계 학습 기술에 의존하기 시작한 방법에 대해 설명합니다.
왜 우리는 은하를 분류해야 합니까?
분야에서 은하 형태로 알려진 은하의 분류는 18세기에 시작되었습니다. 그 기간 동안 William Herschel 경은 다양한 '성운'이 다양한 형태로 나타나는 것을 관찰했습니다. 그의 아들인 John Herschel은 은하 성운과 비은하 성운을 구별함으로써 이 분류를 개선했습니다. 이 두 분류 중 후자는 우리가 알고 있고 은하라고 부르는 것입니다.
18세기가 끝나갈 무렵, 다양한 천문학자들은 이 우주 천체가 "은하 외"이며 우리 은하 밖에 있다고 추측했습니다.
허블은 1925년에 허블 소리굽쇠 다이어그램으로 비공식적으로 알려진 허블 시퀀스의 도입과 함께 새로운 은하 분류를 도입했습니다.
허블의 순서는 은하를 규칙 은하와 불규칙 은하로 나눴다. 일반 은하는 더 크게 세 가지로 나뉜다: 타원은하, 나선은하, 렌즈형.
은하에 대한 연구는 우주가 어떻게 작동하는지에 대한 몇 가지 핵심 신비에 대한 통찰력을 제공합니다. 연구원들은 별 형성 과정에 대해 이론화하기 위해 다양한 형태의 은하를 사용했습니다. 과학자들은 시뮬레이션을 사용하여 은하 자체가 오늘날 우리가 관찰하는 모양으로 형성되는 방식을 모델링하려고 시도했습니다.
은하의 자동 형태 분류
은하를 분류하기 위해 기계 학습을 사용하는 연구는 유망한 결과를 보여주었습니다. 2020년 일본 국립 천문대의 연구원들은 딥 러닝 기술 은하를 정확하게 분류합니다.
연구원들은 Subaru/Hyper Suprime-Cam(HSC) Survey에서 얻은 대규모 이미지 데이터 세트를 사용했습니다. 그들의 기술을 사용하여 그들은 은하를 S-와이즈 나선, Z-와이즈 나선 및 비나선으로 분류할 수 있었습니다.
그들의 연구는 망원경의 빅 데이터를 깊은 학습 기법. 신경망 덕분에 천문학자들은 이제 막대, 병합 및 렌즈가 강한 물체와 같은 다른 유형의 형태를 분류하려고 시도할 수 있습니다. 예를 들어, 관련 연구 MK Cavanagh와 K. Bekki의 연구진은 CNN을 사용하여 병합 은하에서 막대 형성을 조사했습니다.
이용방법
NAOJ의 과학자들은 합성곱에 의존했습니다. 신경망 또는 이미지를 분류하는 CNN. 2015년부터 CNN은 특정 객체를 분류하는 매우 정확한 기술이 되었습니다. CNN의 실제 응용 프로그램에는 이미지의 얼굴 감지, 자율 주행 자동차, 필기 문자 인식 및 의료가 포함됩니다. 이미지 분석.
그러나 CNN은 어떻게 작동합니까?
CNN은 분류기(classifier)로 알려진 기계 학습 기술의 클래스에 속합니다. 분류기는 특정 입력을 취하고 데이터 포인트를 출력할 수 있습니다. 예를 들어, 거리 표지판 분류기는 이미지를 가져와서 이미지가 거리 표지판인지 여부를 출력할 수 있습니다.
CNN은 다음의 예입니다. 신경망. 이러한 신경망은 다음으로 구성됩니다. 뉴런 구성 레이어. 훈련 단계에서 이러한 뉴런은 필요한 분류 문제를 해결하는 데 도움이 되는 특정 가중치와 편향을 조정하도록 조정됩니다.
신경망은 이미지를 수신할 때 전체가 아닌 이미지의 작은 영역을 차지합니다. 각 개별 뉴런은 기본 이미지의 다양한 섹션을 가져갈 때 다른 뉴런과 상호 작용합니다.
컨볼루션 레이어의 존재는 CNN을 다른 신경망과 다르게 만듭니다. 이 레이어는 입력 이미지에서 특징을 식별하기 위해 겹치는 픽셀 블록을 스캔합니다. 서로 가까운 뉴런을 연결하기 때문에 입력 데이터가 각 레이어를 통과할 때 네트워크가 그림을 더 쉽게 이해할 수 있습니다.
은하 형태학에서의 사용법
은하를 분류할 때 CNN은 은하의 이미지를 더 작은 "패치"로 나눕니다. 약간의 수학을 사용하여 첫 번째 은닉층은 패치에 선 또는 곡선이 포함되어 있는지 여부를 해결하려고 시도합니다. 추가 레이어는 패치에 팔의 존재와 같은 나선 은하의 특징이 포함되어 있는지 여부와 같은 점점 더 복잡한 질문을 해결하려고 시도할 것입니다.
이미지의 한 부분에 직선이 포함되어 있는지 여부를 결정하는 것은 비교적 쉽지만 이미지가 나선 은하의 유형은 물론이고 나선 은하를 표시하는지 여부를 묻는 것은 점점 더 복잡해집니다.
신경망에서 분류기는 임의의 규칙과 기준으로 시작합니다. 이러한 규칙은 점차 더 정확해지고 우리가 해결하려는 문제와 관련이 있습니다. 훈련 단계가 끝나면 신경망은 이제 이미지에서 어떤 기능을 찾아야 하는지 잘 알 수 있습니다.
시민 과학을 사용한 AI 확장
시민과학은 아마추어 과학자나 일반인이 수행하는 과학적 연구를 말한다.
천문학을 연구하는 과학자들은 종종 시민 과학자들과 협력하여 더 중요한 과학적 발견을 돕습니다. NASA는 유지 명부 휴대폰이나 노트북만 있으면 누구나 기여할 수 있는 수십 개의 시민 과학 프로젝트.
일본 국립 천문대는 또한 시민 과학 프로젝트로 알려진 프로젝트를 시작했습니다. 갤럭시 크루즈. 이 이니셔티브는 자원 봉사자들이 은하를 분류하고 은하 간의 잠재적 충돌 징후를 찾도록 훈련시킵니다. 또 다른 시민 프로젝트 갤럭시 동물원 출시 첫해에 이미 50천만 개 이상의 분류를 받았습니다.
시민 과학 프로젝트의 데이터를 사용하여 우리는 신경망 훈련 은하계를 더 자세한 등급으로 분류합니다. 또한 이러한 시민 과학 레이블을 사용하여 흥미로운 기능을 가진 은하계를 찾을 수 있습니다. 링 및 렌즈와 같은 기능은 신경망을 사용하여 찾기 어려울 수 있습니다.
결론
신경망 기술은 천문학 분야에서 점점 대중화되고 있습니다. 2021년 나사의 제임스 웹 우주 망원경의 발사는 관측 천문학의 새로운 시대를 약속합니다. 망원경은 이미 테라바이트의 데이터를 수집했으며 XNUMX년의 임무 수명 동안 수천 개가 더 될 것입니다.
은하 분류는 ML로 확장할 수 있는 많은 잠재적 작업 중 하나일 뿐입니다. 우주 데이터 처리가 자체 빅 데이터 문제가 됨에 따라 연구자들은 큰 그림을 이해하기 위해 고급 머신 러닝을 완전히 사용해야 합니다.
댓글을 남겨주세요.