മുഖം തിരിച്ചറിയാനും സ്വയം ഓടിക്കുന്ന കാറുകളും നയിക്കുന്ന അതേ സാങ്കേതികവിദ്യ ഉടൻ തന്നെ പ്രപഞ്ചത്തിന്റെ മറഞ്ഞിരിക്കുന്ന രഹസ്യങ്ങൾ അൺലോക്ക് ചെയ്യുന്നതിനുള്ള ഒരു പ്രധാന ഉപകരണമായേക്കാം.
നിരീക്ഷണ ജ്യോതിശാസ്ത്രത്തിലെ സമീപകാല സംഭവവികാസങ്ങൾ ഡാറ്റയുടെ സ്ഫോടനത്തിലേക്ക് നയിച്ചു.
ശക്തമായ ടെലിസ്കോപ്പുകൾ ദിവസവും ടെറാബൈറ്റ് ഡാറ്റ ശേഖരിക്കുന്നു. അത്രയും ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിന്, വികിരണവും മറ്റ് ആകാശ പ്രതിഭാസങ്ങളും അളക്കുന്നത് പോലെ, ഈ മേഖലയിലെ വിവിധ ജോലികൾ ഓട്ടോമേറ്റ് ചെയ്യുന്നതിനുള്ള പുതിയ വഴികൾ ശാസ്ത്രജ്ഞർക്ക് കണ്ടെത്തേണ്ടതുണ്ട്.
ജ്യോതിശാസ്ത്രജ്ഞർ വേഗത്തിലാക്കാൻ ആഗ്രഹിക്കുന്ന ഒരു പ്രത്യേക ദൗത്യം താരാപഥങ്ങളുടെ വർഗ്ഗീകരണമാണ്. ഈ ലേഖനത്തിൽ, ഗാലക്സികളെ വർഗ്ഗീകരിക്കുന്നത് വളരെ പ്രധാനമായിരിക്കുന്നത് എന്തുകൊണ്ടാണെന്നും ഡാറ്റയുടെ അളവ് വർദ്ധിക്കുന്നതിനനുസരിച്ച് ഗവേഷകർ നൂതനമായ മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകളെ ആശ്രയിക്കാൻ തുടങ്ങിയത് എങ്ങനെയെന്നും നോക്കാം.
എന്തുകൊണ്ടാണ് നമ്മൾ ഗാലക്സികളെ തരംതിരിക്കേണ്ടത്?
ഗാലക്സി മോർഫോളജി എന്നറിയപ്പെടുന്ന ഗാലക്സികളുടെ വർഗ്ഗീകരണം 18-ാം നൂറ്റാണ്ടിലാണ് ഉത്ഭവിച്ചത്. ആ സമയത്ത്, സർ വില്യം ഹെർഷൽ, വിവിധ 'നെബുലകൾ' വിവിധ രൂപങ്ങളിൽ വരുന്നതായി നിരീക്ഷിച്ചു. അദ്ദേഹത്തിന്റെ മകൻ ജോൺ ഹെർഷൽ ഗാലക്സി നെബുലകളെയും ഗാലക്സിയേതര നെബുലകളെയും വേർതിരിച്ചുകൊണ്ട് ഈ വർഗ്ഗീകരണം മെച്ചപ്പെടുത്തി. ഈ രണ്ട് വർഗ്ഗീകരണങ്ങളിൽ അവസാനത്തേതാണ് നമുക്ക് അറിയാവുന്നതും ഗാലക്സികൾ എന്ന് വിളിക്കുന്നതും.
18-ആം നൂറ്റാണ്ടിന്റെ അവസാനത്തോടെ, വിവിധ ജ്യോതിശാസ്ത്രജ്ഞർ ഈ കോസ്മിക് വസ്തുക്കൾ "അധിക-ഗാലക്റ്റിക്" ആണെന്നും അവ നമ്മുടെ സ്വന്തം ക്ഷീരപഥത്തിന് പുറത്താണെന്നും ഊഹിച്ചു.
അനൗപചാരികമായി ഹബിൾ ട്യൂണിംഗ്-ഫോർക്ക് ഡയഗ്രം എന്നറിയപ്പെടുന്ന ഹബിൾ സീക്വൻസ് അവതരിപ്പിച്ചുകൊണ്ട് 1925-ൽ ഹബിൾ ഗാലക്സികളുടെ ഒരു പുതിയ വർഗ്ഗീകരണം അവതരിപ്പിച്ചു.
ഹബിളിന്റെ ക്രമം ഗാലക്സികളെ ക്രമരഹിതവും ക്രമരഹിതവുമായ ഗാലക്സികളായി വിഭജിച്ചു. സാധാരണ ഗാലക്സികളെ മൂന്ന് വിശാലമായ ക്ലാസുകളായി തിരിച്ചിരിക്കുന്നു: ദീർഘവൃത്തങ്ങൾ, സർപ്പിളങ്ങൾ, ലെന്റികുലാർ.
ഗാലക്സികളെക്കുറിച്ചുള്ള പഠനം പ്രപഞ്ചം എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ചുള്ള നിരവധി പ്രധാന രഹസ്യങ്ങളിലേക്ക് ഉൾക്കാഴ്ച നൽകുന്നു. നക്ഷത്ര രൂപീകരണ പ്രക്രിയയെക്കുറിച്ച് സിദ്ധാന്തിക്കാൻ ഗവേഷകർ ഗാലക്സികളുടെ വ്യത്യസ്ത രൂപങ്ങൾ ഉപയോഗിച്ചു. സിമുലേഷനുകൾ ഉപയോഗിച്ച്, ഗ്യാലക്സികൾ നമ്മൾ ഇന്ന് നിരീക്ഷിക്കുന്ന രൂപങ്ങളിലേക്ക് എങ്ങനെ രൂപം കൊള്ളുന്നു എന്ന് മാതൃകയാക്കാനും ശാസ്ത്രജ്ഞർ ശ്രമിച്ചിട്ടുണ്ട്.
ഗാലക്സികളുടെ ഓട്ടോമേറ്റഡ് മോർഫോളജിക്കൽ ക്ലാസിഫിക്കേഷൻ
ഗാലക്സികളെ തരംതിരിക്കാൻ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നതിനെക്കുറിച്ചുള്ള ഗവേഷണം നല്ല ഫലങ്ങൾ കാണിച്ചു. 2020-ൽ ജപ്പാനിലെ നാഷണൽ അസ്ട്രോണമിക്കൽ ഒബ്സർവേറ്ററിയിലെ ഗവേഷകർ എ ആഴത്തിലുള്ള പഠന സാങ്കേതികത ഗാലക്സികളെ കൃത്യമായി തരംതിരിക്കാൻ.
സുബാരു/ഹൈപ്പർ സുപ്രൈം-ക്യാം (HSC) സർവേയിൽ നിന്ന് ലഭിച്ച ചിത്രങ്ങളുടെ ഒരു വലിയ ഡാറ്റാസെറ്റ് ഗവേഷകർ ഉപയോഗിച്ചു. അവരുടെ സാങ്കേതികത ഉപയോഗിച്ച്, അവർക്ക് ഗാലക്സികളെ എസ്-വൈസ് സർപ്പിളുകൾ, ഇസഡ്-വൈസ് സർപ്പിളുകൾ, നോൺ-സ്പൈറലുകൾ എന്നിങ്ങനെ തരംതിരിക്കാം.
ടെലിസ്കോപ്പുകളിൽ നിന്നുള്ള വലിയ ഡാറ്റ സംയോജിപ്പിക്കുന്നതിന്റെ ഗുണങ്ങൾ അവരുടെ ഗവേഷണം തെളിയിച്ചു ആഴത്തിലുള്ള പഠനം വിദ്യകൾ. ന്യൂറൽ വലകൾ കാരണം, ജ്യോതിശാസ്ത്രജ്ഞർക്ക് ഇപ്പോൾ ബാറുകൾ, ലയനങ്ങൾ, ശക്തമായ ലെൻസ്ഡ് ഒബ്ജക്റ്റുകൾ എന്നിങ്ങനെയുള്ള മറ്റ് രൂപഘടനകളെ തരംതിരിക്കാൻ ശ്രമിക്കാം. ഉദാഹരണത്തിന്, ബന്ധപ്പെട്ട ഗവേഷണം MK കവാനിയിൽ നിന്നും K. ബെക്കിയിൽ നിന്നും ഗാലക്സികൾ ലയിക്കുന്നതിലെ ബാർ രൂപീകരണത്തെക്കുറിച്ച് അന്വേഷിക്കാൻ CNN-കൾ ഉപയോഗിച്ചു.
ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു
NAOJ-യിലെ ശാസ്ത്രജ്ഞർ കൺവല്യൂഷണലിനെ ആശ്രയിച്ചു ന്യൂറൽ നെറ്റ്വർക്കുകൾ അല്ലെങ്കിൽ ചിത്രങ്ങളെ തരംതിരിക്കാൻ CNN-കൾ. 2015 മുതൽ, CNN-കൾ ചില വസ്തുക്കളെ തരംതിരിക്കാനുള്ള വളരെ കൃത്യമായ സാങ്കേതികതയായി മാറിയിരിക്കുന്നു. CNN-കൾക്കായുള്ള യഥാർത്ഥ-ലോക ആപ്ലിക്കേഷനുകളിൽ ചിത്രങ്ങളിലെ മുഖം തിരിച്ചറിയൽ, സ്വയം-ഡ്രൈവിംഗ് കാറുകൾ, കൈയെഴുത്ത് പ്രതീക തിരിച്ചറിയൽ, വൈദ്യശാസ്ത്രം എന്നിവ ഉൾപ്പെടുന്നു ഇമേജറി വിശകലനം.
എന്നാൽ ഒരു CNN എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്?
CNN ഒരു ക്ലാസിഫയർ എന്നറിയപ്പെടുന്ന മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകളുടെ ഒരു വിഭാഗത്തിൽ പെടുന്നു. ക്ലാസിഫയറുകൾക്ക് ചില ഇൻപുട്ട് എടുക്കാനും ഡാറ്റാ പോയിന്റ് ഔട്ട്പുട്ട് ചെയ്യാനും കഴിയും. ഉദാഹരണത്തിന്, ഒരു സ്ട്രീറ്റ് സൈൻ ക്ലാസിഫയറിന് ഒരു ഇമേജ് എടുക്കാനും ചിത്രം തെരുവ് ചിഹ്നമാണെങ്കിലും അല്ലെങ്കിലും ഔട്ട്പുട്ട് ചെയ്യാനും കഴിയും.
ഒരു സിഎൻഎൻ ഒരു ഉദാഹരണമാണ് ന്യൂറൽ നെറ്റ്വർക്ക്. ഈ ന്യൂറൽ നെറ്റ്വർക്കുകൾ അടങ്ങിയിരിക്കുന്നു ന്യൂറോണുകൾ ആയി സംഘടിപ്പിച്ചു പാളികൾ. പരിശീലന ഘട്ടത്തിൽ, ആവശ്യമായ വർഗ്ഗീകരണ പ്രശ്നം പരിഹരിക്കാൻ സഹായിക്കുന്ന നിർദ്ദിഷ്ട ഭാരങ്ങളും പക്ഷപാതങ്ങളും പൊരുത്തപ്പെടുത്തുന്നതിന് ഈ ന്യൂറോണുകൾ ട്യൂൺ ചെയ്യപ്പെടുന്നു.
ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് ഒരു ഇമേജ് ലഭിക്കുമ്പോൾ, അത് മൊത്തത്തിൽ എല്ലാത്തിനേക്കാളും ചിത്രത്തിന്റെ ചെറിയ ഭാഗങ്ങൾ എടുക്കുന്നു, ഓരോ ന്യൂറോണും പ്രധാന ചിത്രത്തിന്റെ വിവിധ ഭാഗങ്ങളിൽ എടുക്കുന്നതിനാൽ മറ്റ് ന്യൂറോണുകളുമായി ഇടപഴകുന്നു.
കൺവല്യൂഷണൽ ലെയറുകളുടെ സാന്നിധ്യം CNN നെ മറ്റ് ന്യൂറൽ നെറ്റ്വർക്കുകളിൽ നിന്ന് വ്യത്യസ്തമാക്കുന്നു. ഇൻപുട്ട് ഇമേജിൽ നിന്നുള്ള സവിശേഷതകൾ തിരിച്ചറിയുക എന്ന ലക്ഷ്യത്തോടെ ഈ ലെയറുകൾ പിക്സലുകളുടെ ഓവർലാപ്പിംഗ് ബ്ലോക്കുകൾ സ്കാൻ ചെയ്യുന്നു. ഞങ്ങൾ പരസ്പരം അടുത്തിരിക്കുന്ന ന്യൂറോണുകളെ ബന്ധിപ്പിക്കുന്നതിനാൽ, ഇൻപുട്ട് ഡാറ്റ ഓരോ ലെയറിലൂടെയും കടന്നുപോകുമ്പോൾ നെറ്റ്വർക്കിന് ചിത്രം മനസ്സിലാക്കാൻ എളുപ്പമായിരിക്കും.
ഗാലക്സി മോർഫോളജിയിലെ ഉപയോഗം
ഗാലക്സികളെ തരംതിരിക്കാൻ ഉപയോഗിക്കുമ്പോൾ, CNN-കൾ ഒരു ഗാലക്സിയുടെ ഒരു ചിത്രത്തെ ചെറിയ "പാച്ചുകളായി" വിഭജിക്കുന്നു. ഗണിതത്തിന്റെ ഒരു ബിറ്റ് ഉപയോഗിച്ച്, ആദ്യ മറഞ്ഞിരിക്കുന്ന പാളി പാച്ചിൽ ഒരു വരയോ വക്രമോ അടങ്ങിയിട്ടുണ്ടോ എന്ന് പരിഹരിക്കാൻ ശ്രമിക്കും. ഒരു ഭുജത്തിന്റെ സാന്നിധ്യം പോലെയുള്ള ഒരു സർപ്പിള ഗാലക്സിയുടെ സവിശേഷത പാച്ചിൽ അടങ്ങിയിട്ടുണ്ടോ എന്നതുപോലുള്ള സങ്കീർണ്ണമായ ചോദ്യങ്ങൾ പരിഹരിക്കാൻ കൂടുതൽ പാളികൾ ശ്രമിക്കും.
ഒരു ചിത്രത്തിന്റെ ഒരു ഭാഗത്ത് ഒരു നേർരേഖയുണ്ടോ എന്ന് നിർണ്ണയിക്കുന്നത് താരതമ്യേന എളുപ്പമാണെങ്കിലും, ചിത്രം ഒരു സർപ്പിള ഗാലക്സിയെ കാണിക്കുന്നുണ്ടോ എന്ന് ചോദിക്കുന്നത് കൂടുതൽ സങ്കീർണ്ണമായിത്തീരുന്നു, അത് ഏത് തരം സർപ്പിള ഗാലക്സിയാണെന്ന് പറയട്ടെ.
ന്യൂറൽ നെറ്റ്വർക്കുകൾ ഉപയോഗിച്ച്, ക്ലാസിഫയർ ക്രമരഹിതമായ നിയമങ്ങളും മാനദണ്ഡങ്ങളും ഉപയോഗിച്ച് ആരംഭിക്കുന്നു. ഈ നിയമങ്ങൾ സാവധാനം കൂടുതൽ കൂടുതൽ കൃത്യവും ഞങ്ങൾ പരിഹരിക്കാൻ ശ്രമിക്കുന്ന പ്രശ്നത്തിന് പ്രസക്തവുമായി മാറുന്നു. പരിശീലന ഘട്ടത്തിന്റെ അവസാനത്തോടെ, ന്യൂറൽ നെറ്റ്വർക്കിന് ഒരു ഇമേജിൽ എന്തെല്ലാം സവിശേഷതകൾ നോക്കണം എന്നതിനെക്കുറിച്ച് നല്ല ധാരണ ഉണ്ടായിരിക്കണം.
സിറ്റിസൺ സയൻസ് ഉപയോഗിച്ച് AI വിപുലീകരിക്കുന്നു
അമേച്വർ ശാസ്ത്രജ്ഞരോ പൊതു അംഗങ്ങളോ നടത്തുന്ന ശാസ്ത്രീയ ഗവേഷണത്തെയാണ് സിറ്റിസൺ സയൻസ് എന്ന് പറയുന്നത്.
ജ്യോതിശാസ്ത്രം പഠിക്കുന്ന ശാസ്ത്രജ്ഞർ കൂടുതൽ പ്രധാനപ്പെട്ട ശാസ്ത്രീയ കണ്ടുപിടുത്തങ്ങൾ നടത്താൻ സഹായിക്കുന്നതിന് പൗര ശാസ്ത്രജ്ഞരുമായി സഹകരിക്കാറുണ്ട്. നാസ നിലനിർത്തുന്നത് എ പട്ടിക സെൽഫോണോ ലാപ്ടോപ്പോ ഉള്ള ആർക്കും സംഭാവന ചെയ്യാൻ കഴിയുന്ന ഡസൻ കണക്കിന് പൗരശാസ്ത്ര പദ്ധതികൾ.
ജപ്പാനിലെ നാഷണൽ അസ്ട്രോണമിക്കൽ ഒബ്സർവേറ്ററി എന്ന പേരിൽ ഒരു സിറ്റിസൺ സയൻസ് പ്രൊജക്റ്റ് രൂപീകരിച്ചിട്ടുണ്ട് ഗാലക്സി ക്രൂസ്. ഗാലക്സികളെ തരംതിരിക്കാനും ഗാലക്സികൾ തമ്മിലുള്ള കൂട്ടിയിടി സാധ്യതകളുടെ സൂചനകൾ കണ്ടെത്താനും ഈ സംരംഭം സന്നദ്ധപ്രവർത്തകരെ പരിശീലിപ്പിക്കുന്നു. എന്ന മറ്റൊരു പൗര പദ്ധതി ഗാലക്സി മൃഗശാല സമാരംഭിച്ച ആദ്യ വർഷത്തിൽ തന്നെ 50 ദശലക്ഷത്തിലധികം ക്ലാസിഫിക്കേഷനുകൾ ലഭിച്ചു.
സിറ്റിസൺ സയൻസ് പ്രോജക്റ്റുകളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച്, നമുക്ക് കഴിയും ന്യൂറൽ നെറ്റ്വർക്കുകൾ പരിശീലിപ്പിക്കുക ഗാലക്സികളെ കൂടുതൽ വിശദമായ ക്ലാസുകളായി തരംതിരിക്കാൻ. രസകരമായ സവിശേഷതകളുള്ള ഗാലക്സികൾ കണ്ടെത്താൻ നമുക്ക് ഈ പൗര ശാസ്ത്ര ലേബലുകൾ ഉപയോഗിക്കാം. റിംഗുകളും ലെൻസുകളും പോലുള്ള സവിശേഷതകൾ ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് ഉപയോഗിച്ച് കണ്ടെത്താൻ ഇപ്പോഴും ബുദ്ധിമുട്ടായിരിക്കാം.
തീരുമാനം
ജ്യോതിശാസ്ത്ര മേഖലയിൽ ന്യൂറൽ നെറ്റ്വർക്ക് ടെക്നിക്കുകൾ കൂടുതൽ പ്രചാരത്തിലുണ്ട്. 2021-ൽ നാസയുടെ ജെയിംസ് വെബ് ബഹിരാകാശ ദൂരദർശിനിയുടെ വിക്ഷേപണം നിരീക്ഷണ ജ്യോതിശാസ്ത്രത്തിന്റെ ഒരു പുതിയ യുഗം വാഗ്ദാനം ചെയ്യുന്നു. ടെലിസ്കോപ്പ് ഇതിനകം ടെറാബൈറ്റ് ഡാറ്റ ശേഖരിച്ചിട്ടുണ്ട്, ഒരുപക്ഷേ അതിന്റെ അഞ്ച് വർഷത്തെ ദൗത്യ ജീവിതത്തിൽ ആയിരക്കണക്കിന് കൂടുതൽ വിവരങ്ങൾ കൂടിയുണ്ട്.
ഗാലക്സികളെ തരംതിരിക്കുക എന്നത് ML ഉപയോഗിച്ച് സ്കെയിൽ അപ്പ് ചെയ്യാൻ കഴിയുന്ന നിരവധി സാധ്യതകളിൽ ഒന്ന് മാത്രമാണ്. ബഹിരാകാശ ഡാറ്റ പ്രോസസ്സിംഗ് അതിന്റേതായ ബിഗ് ഡാറ്റ പ്രശ്നമായി മാറുന്നതോടെ, വലിയ ചിത്രം മനസ്സിലാക്കാൻ ഗവേഷകർ വിപുലമായ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കേണ്ടതുണ്ട്.
നിങ്ങളുടെ അഭിപ്രായങ്ങൾ രേഖപ്പെടുത്തുക