Истата технологија што го поттикнува препознавањето на лицето и самоуправувачките автомобили наскоро може да биде клучен инструмент за отклучување на скриените тајни на универзумот.
Неодамнешните случувања во набљудувачката астрономија доведоа до експлозија на податоци.
Моќните телескопи секојдневно собираат терабајти податоци. За да обработат толку многу податоци, научниците треба да најдат нови начини за автоматизирање на различни задачи на теренот, како што се мерење на радијацијата и други небесни феномени.
Една посебна задача што астрономите сакаат да ја забрзаат е класификацијата на галаксиите. Во оваа статија, ќе разгледаме зошто класифицирањето на галаксиите е толку важно и како истражувачите почнаа да се потпираат на напредни техники за машинско учење за да се зголемуваат како што се зголемува обемот на податоци.
Зошто ни е потребно да ги класифицираме галаксиите?
Класификацијата на галаксиите, позната во областа како морфологија на галаксиите, настанала во 18 век. За тоа време, Сер Вилијам Хершел забележал дека разни „маглини“ се појавуваат во различни форми. Неговиот син Џон Хершел ја подобрил оваа класификација со тоа што направил разлика помеѓу галактичките и негалактичките маглини. Последните од овие две класификации се она што го знаеме и го нарекуваме галаксии.
Кон крајот на 18 век, разни астрономи шпекулираа дека овие космички објекти се „екстрагалактички“ и дека лежат надвор од нашиот Млечен Пат.
Хабл воведе нова класификација на галаксиите во 1925 година со воведувањето на Хабловата секвенца, позната неформално како дијаграм за подесување на Хабл.
Хабловата низа ги подели галаксиите на правилни и неправилни галаксии. Обичните галаксии понатаму беа поделени во три широки класи: елиптични, спирални и леќести.
Проучувањето на галаксиите ни дава увид во неколку клучни мистерии за тоа како функционира универзумот. Истражувачите користеле различни форми на галаксии за да теоретизираат за процесот на формирање на ѕвезди. Користејќи симулации, научниците исто така се обидоа да моделираат како самите галаксии се формираат во облиците што ги набљудуваме денес.
Автоматска морфолошка класификација на галаксиите
Истражувањето за користење на машинско учење за класификација на галаксиите покажа ветувачки резултати. Во 2020 година, истражувачите од Националната астрономска опсерваторија на Јапонија користеа а техника за длабоко учење прецизно да ги класифицира галаксиите.
Истражувачите користеле голема база на слики добиени од Истражувањето на Subaru/Hyper Suprime-Cam (HSC). Користејќи ја нивната техника, тие можеа да ги класифицираат галаксиите во спирали со S-мудар, спирали со Z-мудар и не-спирали.
Нивното истражување ги покажа предностите на комбинирање на големи податоци од телескопи со длабоко учење техники. Поради нервните мрежи, астрономите сега можат да се обидат да класифицираат други видови морфологија, како што се шипки, спојувања и објекти со силно леќи. На пример, поврзани истражувања од МК Каванаг и К.
Како работиме
Научниците од NAOJ се потпираа на конволуционалната нервните мрежи или CNN за класифицирање на слики. Од 2015 година, CNN станаа исклучително точна техника за класификација на одредени објекти. Апликациите од реалниот свет за CNN вклучуваат откривање лице во слики, самоуправувачки автомобили, рачно напишано препознавање знаци и медицински анализа на слики.
Но, како функционира CNN?
CNN припаѓа на класата на техники за машинско учење познати како класификатор. Класификаторите можат да земат одреден влез и излез на податочна точка. На пример, класификаторот на улични знаци ќе може да земе слика и да даде излез дали сликата е уличен знак или не.
CNN е пример за а невронска мрежа. Овие невронски мрежи се составени од неврони организиран во слоеви. За време на фазата на обука, овие неврони се прилагодени да ги приспособат специфичните тежини и предрасуди што ќе помогнат да се реши проблемот со класификацијата што е потребна.
Кога невронската мрежа прима слика, таа зафаќа мали области од сликата наместо сè како целина. Секој поединечен неврон комуницира со други неврони како што се зема во различни делови од главната слика.
Присуството на конволутивни слоеви го прави CNN различен од другите невронски мрежи. Овие слоеви скенираат преклопувачки блокови од пиксели со цел да ги идентификуваат карактеристиките од влезната слика. Бидејќи ги поврзуваме неврони кои се блиску еден до друг, мрежата ќе има полесно разбирање на сликата додека влезните податоци минуваат низ секој слој.
Употреба во морфологијата на Галакси
Кога се користат во класификација на галаксиите, CNN разложува слика на галаксија на помали „закрпи“. Користејќи малку математика, првиот скриен слој ќе се обиде да реши дали лепенката содржи линија или крива. Понатамошните слоеви ќе се обидат да решат сè покомплексни прашања како на пример дали лепенката содржи карактеристика на спирална галаксија, како што е присуството на рака.
Иако е релативно лесно да се одреди дали дел од сликата содржи права линија, станува сè посложено да се праша дали сликата покажува спирална галаксија, а камоли каков тип на спирална галаксија.
Кај невронските мрежи, класификаторот започнува со случајни правила и критериуми. Овие правила полека стануваат се попрецизни и релевантни за проблемот што се обидуваме да го решиме. До крајот на фазата на обука, невронската мрежа сега треба да има добра идеја за тоа кои карактеристики да ги бара на сликата.
Проширување на вештачката интелигенција со користење на Citizen Science
Граѓанската наука се однесува на научни истражувања спроведени од научници аматери или членови на јавноста.
Научниците кои ја проучуваат астрономијата често соработуваат со граѓански научници за да помогнат да се направат поважни научни откритија. НАСА одржува а листа од десетици граѓански научни проекти за кои може да придонесе секој со мобилен телефон или лаптоп.
Националната астрономска опсерваторија на Јапонија, исто така, подготви граѓански научен проект познат како Galaxy Cruise. Иницијативата обучува доброволци да ги класифицираат галаксиите и да бараат знаци за потенцијални судири меѓу галаксиите. Се огласи уште еден граѓански проект Галакси зоолошка градина веќе има добиено преку 50 милиони класификации само во првата година од лансирањето.
Користејќи податоци од проекти за граѓански науки, можеме воз невронски мрежи понатаму да ги класифицира галаксиите во подетални класи. Ние, исто така, би можеле да ги користиме овие етикети за граѓанска наука за да пронајдеме галаксии со интересни карактеристики. Сè уште е тешко да се најдат карактеристики како што се прстени и леќи со помош на невронска мрежа.
Заклучок
Техниките на невронски мрежи стануваат сè попопуларни во областа на астрономијата. Лансирањето на вселенскиот телескоп Џејмс Веб на НАСА во 2021 година ветува нова ера на набљудувачка астрономија. Телескопот веќе има собрано терабајти податоци, а веројатно уште илјадници се на пат во текот на петгодишниот животен век на мисијата.
Класификацијата на галаксиите е само една од многуте потенцијални задачи што може да се зголемат со ML. Со оглед на тоа што обработката на вселенските податоци станува свој проблем за големите податоци, истражувачите мора целосно да користат напредно машинско учење за да ја разберат големата слика.
Оставете Одговор