Ta pati technologija, kuri valdo veidų atpažinimą ir savarankiškai važiuojančius automobilius, netrukus gali tapti pagrindine priemone, padedančia atskleisti paslėptas visatos paslaptis.
Naujausi stebėjimo astronomijos pokyčiai lėmė duomenų sprogimą.
Galingi teleskopai kasdien surenka terabaitus duomenų. Norėdami apdoroti tiek duomenų, mokslininkai turi rasti naujų būdų, kaip automatizuoti įvairias užduotis šioje srityje, pavyzdžiui, matuoti spinduliuotę ir kitus dangaus reiškinius.
Viena ypatinga užduotis, kurią astronomai nori paspartinti, yra galaktikų klasifikavimas. Šiame straipsnyje apžvelgsime, kodėl galaktikų klasifikavimas yra toks svarbus ir kaip mokslininkai pradėjo pasikliauti pažangiais mašininio mokymosi metodais, kad padidėtų duomenų apimtis.
Kodėl mums reikia klasifikuoti galaktikas?
Galaktikų klasifikacija, šioje srityje žinoma kaip galaktikų morfologija, atsirado XVIII a. Per tą laiką seras Williamas Herschelis pastebėjo, kad įvairūs „ūkai“ buvo įvairių formų. Jo sūnus Johnas Herschelis patobulino šią klasifikaciją, atskirdamas galaktikos ūkus ir ne galaktikos ūkus. Pastaroji iš šių dviejų klasifikacijų yra tai, ką mes žinome ir vadiname galaktikomis.
XVIII amžiaus pabaigoje įvairūs astronomai spėliojo, kad šie kosminiai objektai yra „ne galaktikos“ ir kad jie yra už mūsų Paukščių Tako ribų.
Hablas pristatė naują galaktikų klasifikaciją 1925 m., įdiegęs Hablo seką, neoficialiai žinomą kaip Hablo kamertono diagrama.
Hablo seka suskirstė galaktikas į įprastas ir netaisyklingas galaktikas. Taisyklingosios galaktikos toliau buvo suskirstytos į tris plačias klases: elipsines, spiralines ir lęšines.
Galaktikų tyrimas leidžia suprasti keletą pagrindinių visatos veikimo paslapčių. Tyrėjai naudojo įvairias galaktikų formas, siekdami teorijos apie žvaigždžių formavimosi procesą. Naudodamiesi modeliavimu, mokslininkai taip pat bandė modeliuoti, kaip pačios galaktikos formuojasi į formas, kurias stebime šiandien.
Automatizuota morfologinė galaktikų klasifikacija
Mašininio mokymosi panaudojimo galaktikoms klasifikuoti tyrimai parodė daug žadančių rezultatų. 2020 metais Japonijos nacionalinės astronomijos observatorijos mokslininkai naudojo a gilaus mokymosi technika tiksliai klasifikuoti galaktikas.
Tyrėjai naudojo didelį vaizdų rinkinį, gautą iš Subaru / Hyper Suprime-Cam (HSC) tyrimo. Naudodami savo techniką, jie galėjo suskirstyti galaktikas į S formos spiralę, Z raidės spiralę ir nespiralę.
Jų tyrimai parodė didelių duomenų iš teleskopų derinimo pranašumus gilus mokymasis technikos. Dėl neuroninių tinklų astronomai dabar gali pabandyti klasifikuoti kitus morfologijos tipus, pvz., juosteles, susijungimus ir stipriai objektyvuotus objektus. Pavyzdžiui, susiję tyrimai iš MK Cavanagh ir K. Bekki naudojo CNN, kad ištirtų susiliejančių galaktikų juostų formacijas.
Kaip tai veikia?
NAOJ mokslininkai rėmėsi konvoliucine neuroniniai tinklai arba CNN vaizdams klasifikuoti. Nuo 2015 m. CNN tapo itin tikslia tam tikrų objektų klasifikavimo technika. Realaus pasaulio CNN programos apima veido aptikimą vaizduose, savarankiškai važiuojančius automobilius, ranka rašytų simbolių atpažinimą ir medicininę vaizdų analizė.
Bet kaip veikia CNN?
CNN priklauso mašininio mokymosi metodų klasei, žinomai kaip klasifikatorius. Klasifikatoriai gali priimti tam tikrą įvestį ir išvesti duomenų tašką. Pavyzdžiui, gatvių ženklų klasifikatorius galės paimti vaizdą ir išvesti, ar vaizdas yra gatvės ženklas, ar ne.
CNN yra pavyzdys neuroninis tinklas. Šie neuroniniai tinklai susideda iš neuronai organizuotas į layers. Treniruotės metu šie neuronai sureguliuojami taip, kad pritaikytų specifinius svorius ir paklaidas, kurios padės išspręsti reikalingą klasifikavimo problemą.
Kai neuroninis tinklas gauna vaizdą, jis užima mažas vaizdo sritis, o ne viską kaip visumą. Kiekvienas atskiras neuronas sąveikauja su kitais neuronais, kai užima įvairias pagrindinio vaizdo dalis.
Dėl konvoliucinių sluoksnių CNN skiriasi nuo kitų neuroninių tinklų. Šie sluoksniai nuskaito persidengiančius pikselių blokus, siekdami identifikuoti įvesties vaizdo ypatybes. Kadangi sujungiame arti vienas kito esančius neuronus, tinklui bus lengviau suprasti vaizdą, nes įvesties duomenys pereina per kiekvieną sluoksnį.
Naudojimas Galaxy Morphology
Klasifikuojant galaktikas, CNN galaktikos vaizdą suskaido į mažesnius „lopus“. Naudodamas šiek tiek matematikos, pirmasis paslėptas sluoksnis bandys išsiaiškinti, ar pataisoje yra linija, ar kreivė. Kiti sluoksniai bandys išspręsti vis sudėtingesnius klausimus, pvz., ar pleistre yra spiralinės galaktikos bruožas, pvz., rankos buvimas.
Nors gana lengva nustatyti, ar vaizdo atkarpoje yra tiesi linija, tampa vis sudėtingiau paklausti, ar vaizde pavaizduota spiralinė galaktika, jau nekalbant apie tai, kokio tipo spiralinė galaktika.
Naudojant neuroninius tinklus, klasifikatorius prasideda nuo atsitiktinių taisyklių ir kriterijų. Šios taisyklės pamažu tampa vis tikslesnės ir susijusios su problema, kurią bandome išspręsti. Iki mokymo etapo pabaigos neuroninis tinklas turėtų gerai suprasti, kokių funkcijų reikia ieškoti vaizde.
AI išplėtimas naudojant „Citizen Science“.
Piliečių mokslas reiškia mokslinius tyrimus, kuriuos atlieka mokslininkai mėgėjai arba visuomenės nariai.
Astronomiją studijuojantys mokslininkai dažnai bendradarbiauja su piliečiais mokslininkais, kad padėtų padaryti svarbesnius mokslinius atradimus. NASA tvirtina a sąrašas dešimčių piliečių mokslo projektų, prie kurių gali prisidėti kiekvienas, turintis mobilųjį telefoną ar nešiojamąjį kompiuterį.
Japonijos nacionalinė astronomijos observatorija taip pat paskelbė piliečių mokslo projektą, žinomą kaip Kruizas „Galaxy“.. Ši iniciatyva moko savanorius klasifikuoti galaktikas ir ieškoti galimų galaktikų susidūrimų požymių. Kitas piliečių projektas vadinamas Galaktikos zoologijos sodas per pirmuosius išleidimo metus jau gavo daugiau nei 50 milijonų klasifikacijų.
Naudodami duomenis iš piliečių mokslo projektų galime treniruoti neuroninius tinklus toliau klasifikuoti galaktikas į detalesnes klases. Taip pat galėtume naudoti šias piliečių mokslo etiketes, kad surastume įdomių savybių turinčias galaktikas. Naudojant neuroninį tinklą vis tiek gali būti sunku rasti tokias funkcijas kaip žiedai ir lęšiai.
Išvada
Neuroninių tinklų technikos tampa vis populiaresnės astronomijos srityje. NASA Jameso Webbo kosminio teleskopo paleidimas 2021 m. žada naują stebėjimo astronomijos erą. Teleskopas jau surinko terabaitų duomenų, o per savo penkerius metus trukusią misiją galima gauti dar tūkstančius.
Galaktikų klasifikavimas yra tik viena iš daugelio galimų užduočių, kurias galima išplėsti naudojant ML. Kadangi kosmoso duomenų apdorojimas tampa didžiųjų duomenų problema, mokslininkai turi panaudoti pažangų mašininį mokymąsi, kad suprastų bendrą vaizdą.
Palikti atsakymą