Tā pati tehnoloģija, kas vada sejas atpazīšanu un pašbraucošas automašīnas, drīzumā var būt galvenais instruments Visuma slēpto noslēpumu atklāšanā.
Jaunākie notikumi novērojumu astronomijā ir izraisījuši datu eksploziju.
Jaudīgi teleskopi katru dienu apkopo terabaitus datu. Lai apstrādātu tik daudz datu, zinātniekiem ir jāatrod jauni veidi, kā automatizēt dažādus uzdevumus šajā jomā, piemēram, starojuma un citu debesu parādību mērīšanu.
Viens īpašs uzdevums, ko astronomi vēlas paātrināt, ir galaktiku klasifikācija. Šajā rakstā mēs apskatīsim, kāpēc galaktiku klasifikācija ir tik svarīga un kā pētnieki ir sākuši paļauties uz progresīvām mašīnmācīšanās metodēm, lai palielinātu datu apjomu, palielinoties datu apjomam.
Kāpēc mums ir jāklasificē galaktikas?
Galaktiku klasifikācija, kas šajā jomā pazīstama kā galaktiku morfoloģija, radās 18. gadsimtā. Tajā laikā sers Viljams Heršels novēroja, ka dažādi “miglāji” ir dažādās formās. Viņa dēls Džons Heršels uzlaboja šo klasifikāciju, nošķirot galaktiskos miglājus un negalaktiskos miglājus. Pēdējā no šīm divām klasifikācijām ir tā, ko mēs zinām un dēvējam par galaktikām.
18. gadsimta beigās dažādi astronomi minēja, ka šie kosmiskie objekti ir “ārpus galaktikas” un ka tie atrodas ārpus mūsu pašu Piena ceļa.
Habls ieviesa jaunu galaktiku klasifikāciju 1925. gadā, ieviešot Habla secību, kas neoficiāli pazīstama kā Habla kamertonis diagramma.
Habla secība sadalīja galaktikas parastajās un neregulārajās galaktikās. Parastās galaktikas tika iedalītas trīs plašās klasēs: eliptiskās, spirāles un lēcveida galaktikas.
Galaktiku izpēte sniedz mums ieskatu vairākos galvenajos Visuma darbības noslēpumos. Pētnieki ir izmantojuši dažādas galaktiku formas, lai izstrādātu teoriju par zvaigžņu veidošanās procesu. Izmantojot simulācijas, zinātnieki ir arī mēģinājuši modelēt, kā pašas galaktikas veidojas formās, kuras mēs novērojam šodien.
Automatizētā galaktiku morfoloģiskā klasifikācija
Pētījumi par mašīnmācības izmantošanu galaktiku klasificēšanai ir parādījuši daudzsološus rezultātus. 2020. gadā Japānas Nacionālās astronomijas observatorijas pētnieki izmantoja a dziļās mācīšanās tehnika lai precīzi klasificētu galaktikas.
Pētnieki izmantoja lielu attēlu datu kopu, kas iegūta no Subaru / Hyper Suprime-Cam (HSC) aptaujas. Izmantojot savu tehniku, viņi varēja klasificēt galaktikas S-veida spirālēs, Z veida spirālēs un nespirālēs.
Viņu pētījumi parādīja priekšrocības, ko sniedz teleskopu lielo datu apvienošana ar dziļa mācīšanās metodes. Neironu tīklu dēļ astronomi tagad var mēģināt klasificēt citus morfoloģijas veidus, piemēram, stieņus, saplūšanu un spēcīgi objektīvus objektus. Piemēram, saistīti pētījumi no MK Cavanagh un K. Bekki izmantoja CNN, lai izpētītu stieņu veidojumus saplūstošās galaktikās.
Kā tas darbojas
Zinātnieki no NAOJ paļāvās uz konvolucionālo neironu tīkli vai CNN, lai klasificētu attēlus. Kopš 2015. gada CNN ir kļuvuši par ārkārtīgi precīzu paņēmienu noteiktu objektu klasificēšanai. CNN reālās pasaules lietojumprogrammas ietver seju noteikšanu attēlos, pašbraucošas automašīnas, ar roku rakstītu rakstzīmju atpazīšanu un medicīnisko palīdzību. attēlu analīze.
Bet kā darbojas CNN?
CNN pieder mašīnmācīšanās metožu klasei, kas pazīstama kā klasifikators. Klasifikatori var veikt noteiktu ievadi un izvadīt datu punktu. Piemēram, ielu zīmju klasifikators varēs uzņemt attēlu un izvadīt, vai attēls ir ielas zīme vai nav.
CNN ir piemērs a neironu tīklu. Šie neironu tīkli sastāv no neironi organizēts slāņi. Apmācības fāzē šie neironi tiek noregulēti, lai pielāgotu konkrētus svarus un novirzes, kas palīdzēs atrisināt nepieciešamo klasifikācijas problēmu.
Kad neironu tīkls saņem attēlu, tas aizņem mazus attēla apgabalus, nevis visu kopumā. Katrs atsevišķs neirons mijiedarbojas ar citiem neironiem, aizņemot dažādas galvenā attēla sadaļas.
Konvolucionālo slāņu klātbūtne padara CNN atšķirīgu no citiem neironu tīkliem. Šie slāņi skenē pārklājošus pikseļu blokus, lai identificētu iezīmes no ievades attēla. Tā kā mēs savienojam neironus, kas atrodas tuvu viens otram, tīklam būs vieglāk saprast attēlu, jo ievades dati iet cauri katram slānim.
Izmantošana galaktikas morfoloģijā
Kad CNN izmanto galaktiku klasifikācijā, galaktikas attēlu sadala mazākos “plāksteros”. Izmantojot mazliet matemātikas, pirmais slēptais slānis mēģinās atrisināt, vai ielāps satur līniju vai līkni. Turpmākie slāņi mēģinās atrisināt arvien sarežģītākus jautājumus, piemēram, vai plāksteris satur spirālveida galaktikas iezīmi, piemēram, rokas klātbūtni.
Lai gan ir samērā viegli noteikt, vai attēla sadaļā ir taisna līnija, kļūst arvien sarežģītāk jautāt, vai attēlā ir redzama spirālveida galaktika, nemaz nerunājot par to, kāda veida spirālveida galaktika.
Ar neironu tīkliem klasifikators sākas ar nejaušiem noteikumiem un kritērijiem. Šie noteikumi lēnām kļūst arvien precīzāki un atbilstošāki problēmai, kuru cenšamies atrisināt. Līdz apmācības fāzes beigām neironu tīklam tagad ir jābūt labam priekšstatam par to, kādas funkcijas attēlā meklēt.
AI paplašināšana, izmantojot Citizen Science
Pilsoņu zinātne attiecas uz zinātniskiem pētījumiem, ko veic zinātnieki amatieri vai sabiedrības locekļi.
Zinātnieki, kas studē astronomiju, bieži sadarbojas ar pilsoņu zinātniekiem, lai palīdzētu veikt svarīgākus zinātniskus atklājumus. NASA uztur a saraksts no desmitiem pilsoņu zinātnes projektu, kuros var piedalīties ikviens, kam ir mobilais tālrunis vai klēpjdators.
Japānas Nacionālā astronomijas observatorija ir arī izstrādājusi pilsoņu zinātnes projektu, kas pazīstams kā Galaxy kruīzs. Iniciatīva apmāca brīvprātīgos klasificēt galaktikas un meklēt pazīmes par iespējamu sadursmi starp galaktikām. Cits pilsoņu projekts saucās Galaxy Zoo jau ir saņēmis vairāk nekā 50 miljonus klasifikāciju tikai pirmajā izlaišanas gadā.
Izmantojot datus no pilsoņu zinātnes projektiem, mēs varam apmācīt neironu tīklus lai tālāk klasificētu galaktikas sīkākās klasēs. Mēs varētu arī izmantot šīs pilsoņu zinātnes etiķetes, lai atrastu galaktikas ar interesantām iezīmēm. Tādas funkcijas kā gredzeni un lēcas joprojām var būt grūti atrast, izmantojot neironu tīklu.
Secinājumi
Neironu tīklu metodes kļūst arvien populārākas astronomijas jomā. NASA Džeimsa Veba kosmiskā teleskopa palaišana 2021. gadā sola jaunu novērojumu astronomijas ēru. Teleskops jau ir savācis terabaitus datu, un, iespējams, vēl tūkstošiem datu ir ceļā tā piecu gadu misijas darbības laikā.
Galaktiku klasificēšana ir tikai viens no daudziem iespējamiem uzdevumiem, ko var palielināt, izmantojot ML. Tā kā kosmosa datu apstrāde kļūst par savu lielo datu problēmu, pētniekiem ir jāizmanto uzlabota mašīnmācība, lai pilnībā izprastu kopējo ainu.
Atstāj atbildi