चेहऱ्याची ओळख आणि स्व-ड्रायव्हिंग कार चालवणारे हेच तंत्रज्ञान लवकरच विश्वातील लपलेले रहस्ये उघडण्याचे प्रमुख साधन ठरू शकते.
निरीक्षणात्मक खगोलशास्त्रातील अलीकडील घडामोडींमुळे डेटाचा स्फोट झाला आहे.
शक्तिशाली दुर्बिणी दररोज टेराबाइट डेटा गोळा करतात. तेवढ्या डेटावर प्रक्रिया करण्यासाठी, शास्त्रज्ञांना क्षेत्रातील विविध कार्ये स्वयंचलित करण्यासाठी नवीन मार्ग शोधणे आवश्यक आहे, जसे की रेडिएशन आणि इतर खगोलीय घटना मोजणे.
एक विशिष्ट कार्य ज्याला खगोलशास्त्रज्ञ गती देण्यास उत्सुक आहेत ते म्हणजे आकाशगंगांचे वर्गीकरण. या लेखात, आम्ही आकाशगंगांचे वर्गीकरण इतके महत्त्वाचे का आहे आणि डेटाचे प्रमाण वाढले म्हणून संशोधकांनी प्रगत मशीन लर्निंग तंत्रांवर कसे अवलंबून राहणे सुरू केले आहे ते पाहू.
आपल्याला आकाशगंगांचे वर्गीकरण का करावे लागेल?
आकाशगंगांचे वर्गीकरण, ज्याला गॅलेक्सी मॉर्फोलॉजी म्हणून ओळखले जाते, ते 18 व्या शतकात उद्भवले. त्या काळात सर विल्यम हर्शल यांनी निरनिराळ्या 'नेब्युला' विविध रूपांत आल्याचे निरीक्षण केले. त्यांचा मुलगा जॉन हर्शेल याने गॅलेक्टिक तेजोमेघ आणि नॉन-गॅलेक्टिक तेजोमेघ यांच्यातील फरक करून या वर्गीकरणात सुधारणा केली. या दोन वर्गीकरणांपैकी नंतरचे वर्गीकरण आपल्याला माहित आहे आणि आकाशगंगा म्हणून संबोधले जाते.
18 व्या शतकाच्या शेवटी, विविध खगोलशास्त्रज्ञांनी असा अंदाज लावला की या वैश्विक वस्तू "अतिरिक्त-गॅलेक्टिक" आहेत आणि ते आपल्याच आकाशगंगेच्या बाहेर आहेत.
हबलने 1925 मध्ये हबल अनुक्रमाच्या परिचयासह आकाशगंगांचे एक नवीन वर्गीकरण सादर केले, अनौपचारिकपणे हबल ट्युनिंग-फोर्क आकृती म्हणून ओळखले जाते.
हबलच्या क्रमाने आकाशगंगा नियमित आणि अनियमित आकाशगंगांमध्ये विभागल्या. नियमित आकाशगंगा पुढे तीन विस्तृत वर्गांमध्ये विभागल्या गेल्या: लंबवर्तुळाकार, सर्पिल आणि लेंटिक्युलर.
आकाशगंगांचा अभ्यास आपल्याला ब्रह्मांड कसे कार्य करते याच्या अनेक महत्त्वाच्या रहस्यांमध्ये अंतर्दृष्टी देतो. तारा निर्मिती प्रक्रियेचा सिद्धांत मांडण्यासाठी संशोधकांनी आकाशगंगांच्या विविध रूपांचा वापर केला आहे. सिम्युलेशनचा वापर करून, शास्त्रज्ञांनी आज आपण पाहत असलेल्या आकारांमध्ये आकाशगंगा कशा तयार होतात याचेही मॉडेल करण्याचा प्रयत्न केला आहे.
आकाशगंगांचे स्वयंचलित मॉर्फोलॉजिकल वर्गीकरण
आकाशगंगांचे वर्गीकरण करण्यासाठी मशीन लर्निंग वापरण्याच्या संशोधनाने आशादायक परिणाम दाखवले आहेत. 2020 मध्ये, जपानच्या राष्ट्रीय खगोलशास्त्रीय वेधशाळेच्या संशोधकांनी ए खोल शिकण्याचे तंत्र आकाशगंगांचे अचूक वर्गीकरण करणे.
संशोधकांनी सुबारू/हायपर सुप्रिम-कॅम (एचएससी) सर्वेक्षणातून मिळवलेल्या प्रतिमांचा मोठा डेटासेट वापरला. त्यांच्या तंत्राचा वापर करून, ते आकाशगंगांचे S-वार सर्पिल, Z-वार सर्पिल आणि नॉन-सर्पिलमध्ये वर्गीकरण करू शकतात.
त्यांच्या संशोधनाने दुर्बिणीतून मोठा डेटा एकत्र करण्याचे फायदे दाखवून दिले खोल शिकणे तंत्र मज्जातंतूंच्या जाळ्यांमुळे, खगोलशास्त्रज्ञ आता इतर प्रकारचे आकारविज्ञान जसे की बार, विलीनीकरण आणि भक्कम भिंग असलेल्या वस्तूंचे वर्गीकरण करण्याचा प्रयत्न करू शकतात. उदाहरणार्थ, संबंधित संशोधन MK Cavanagh आणि K. Bekki कडून CNN चा वापर विलीन होणाऱ्या आकाशगंगांमधील बार फॉर्मेशन्सचा तपास करण्यासाठी केला.
हे कसे कार्य करते
NAOJ मधील शास्त्रज्ञ convolutional वर अवलंबून होते न्यूरल नेटवर्क किंवा CNN प्रतिमा वर्गीकृत करण्यासाठी. 2015 पासून, काही वस्तूंचे वर्गीकरण करण्यासाठी CNN हे अत्यंत अचूक तंत्र बनले आहे. CNN साठी वास्तविक-जागतिक अनुप्रयोगांमध्ये प्रतिमांमधील चेहरा ओळख, स्व-ड्रायव्हिंग कार, हस्तलिखित वर्ण ओळख आणि वैद्यकीय यांचा समावेश आहे प्रतिमा विश्लेषण.
पण सीएनएन कसे कार्य करते?
CNN हे क्लासिफायर म्हणून ओळखल्या जाणार्या मशीन लर्निंग तंत्राच्या वर्गाशी संबंधित आहे. क्लासिफायर विशिष्ट इनपुट घेऊ शकतात आणि डेटा पॉइंट आउटपुट करू शकतात. उदाहरणार्थ, मार्ग चिन्हाचे वर्गीकरणकर्ता प्रतिमा घेण्यास सक्षम असेल आणि प्रतिमा मार्ग चिन्ह आहे की नाही हे आउटपुट करू शकेल.
CNN चे उदाहरण आहे मज्जासंस्थेसंबंधीचा नेटवर्क. हे न्यूरल नेटवर्क बनलेले आहेत न्यूरॉन्स मध्ये आयोजित स्तर. प्रशिक्षण टप्प्यात, हे न्यूरॉन्स विशिष्ट वजन आणि पूर्वाग्रहांशी जुळवून घेण्यासाठी ट्यून केले जातात जे आवश्यक वर्गीकरण समस्येचे निराकरण करण्यात मदत करतील.
जेव्हा न्यूरल नेटवर्कला प्रतिमा प्राप्त होते, तेव्हा ती संपूर्णपणे सर्व गोष्टींऐवजी प्रतिमेच्या लहान भागात घेते, प्रत्येक वैयक्तिक न्यूरॉन मुख्य प्रतिमेच्या विविध विभागांमध्ये घेतल्याप्रमाणे इतर न्यूरॉन्सशी संवाद साधतो.
कंव्होल्युशनल लेयर्सची उपस्थिती सीएनएनला इतर न्यूरल नेटवर्कपेक्षा वेगळे बनवते. हे स्तर इनपुट प्रतिमेवरून वैशिष्ट्ये ओळखण्याच्या उद्देशाने पिक्सेलचे ओव्हरलॅपिंग ब्लॉक स्कॅन करतात. आम्ही एकमेकांच्या जवळ असलेले न्यूरॉन्स कनेक्ट केल्यामुळे, प्रत्येक लेयरमधून इनपुट डेटा जात असताना नेटवर्कला चित्र समजण्यास अधिक सोपा वेळ मिळेल.
Galaxy Morphology मध्ये वापर
आकाशगंगांचे वर्गीकरण करताना, CNN आकाशगंगेची प्रतिमा लहान “पॅच” मध्ये मोडतात. थोडे गणित वापरून, पहिला लपवलेला स्तर पॅचमध्ये रेषा किंवा वक्र आहे की नाही हे सोडवण्याचा प्रयत्न करेल. पुढील स्तर वाढत्या जटिल प्रश्नांचे निराकरण करण्याचा प्रयत्न करतील जसे की पॅचमध्ये सर्पिल आकाशगंगेचे वैशिष्ट्य आहे की नाही, जसे की हाताची उपस्थिती.
प्रतिमेच्या एका विभागात सरळ रेषा आहे की नाही हे ठरवणे तुलनेने सोपे असले तरी, प्रतिमा सर्पिल आकाशगंगा दर्शवते की नाही हे विचारणे अधिकाधिक गुंतागुंतीचे होत जाते.
न्यूरल नेटवर्कसह, क्लासिफायर यादृच्छिक नियम आणि निकषांसह सुरू होतो. आम्ही ज्या समस्येचे निराकरण करण्याचा प्रयत्न करत आहोत त्याच्याशी हे नियम हळूहळू अधिकाधिक अचूक आणि संबंधित होत जातात. प्रशिक्षण टप्प्याच्या शेवटी, न्यूरल नेटवर्कला आता इमेजमध्ये कोणती वैशिष्ट्ये शोधायची आहेत याची चांगली कल्पना असणे आवश्यक आहे.
सिटीझन सायन्स वापरून AI चा विस्तार करणे
नागरिक विज्ञान हौशी शास्त्रज्ञ किंवा सार्वजनिक सदस्यांनी केलेल्या वैज्ञानिक संशोधनाचा संदर्भ देते.
खगोलशास्त्राचा अभ्यास करणारे शास्त्रज्ञ अधिक महत्त्वाचे वैज्ञानिक शोध लावण्यात मदत करण्यासाठी अनेकदा नागरिक शास्त्रज्ञांशी सहयोग करतात. नासाने ए यादी डझनभर नागरिक विज्ञान प्रकल्प ज्यात सेलफोन किंवा लॅपटॉप असलेले कोणीही योगदान देऊ शकते.
जपानच्या नॅशनल अॅस्ट्रॉनॉमिकल ऑब्झर्व्हेटरी या नावाने ओळखला जाणारा एक नागरिक विज्ञान प्रकल्प देखील ठेवला आहे गॅलेक्सी क्रूझ. पुढाकार स्वयंसेवकांना आकाशगंगांचे वर्गीकरण करण्यासाठी आणि आकाशगंगांमधील संभाव्य टक्करांच्या चिन्हे शोधण्यासाठी प्रशिक्षित करतो. आणखी एक नागरिक प्रकल्प म्हणतात दीर्घिका प्राणीसंग्रहालय लाँचच्या पहिल्या वर्षातच 50 दशलक्षाहून अधिक वर्गीकरण प्राप्त झाले आहे.
नागरिक विज्ञान प्रकल्पांमधील डेटा वापरून, आम्ही करू शकतो तंत्रिका नेटवर्क प्रशिक्षित करा अधिक तपशीलवार वर्गांमध्ये आकाशगंगांचे वर्गीकरण करणे. मनोरंजक वैशिष्ट्यांसह आकाशगंगा शोधण्यासाठी आम्ही ही नागरिक विज्ञान लेबले देखील वापरू शकतो. न्यूरल नेटवर्क वापरून रिंग्ज आणि लेन्स यांसारखी वैशिष्ट्ये शोधणे अद्याप कठीण असू शकते.
निष्कर्ष
खगोलशास्त्राच्या क्षेत्रात न्यूरल नेटवर्क तंत्र अधिकाधिक लोकप्रिय होत आहे. 2021 मध्ये NASA च्या जेम्स वेब स्पेस टेलिस्कोपचे प्रक्षेपण निरीक्षण खगोलशास्त्राच्या नवीन युगाचे वचन देते. दुर्बिणीने आधीच टेराबाइट डेटा संकलित केला आहे, कदाचित त्याच्या पाच वर्षांच्या मिशनच्या आयुष्यात आणखी हजारो डेटा असतील.
आकाशगंगांचे वर्गीकरण करणे हे अनेक संभाव्य कार्यांपैकी एक आहे जे ML सह मोजले जाऊ शकते. स्पेस डेटा प्रोसेसिंगची स्वतःची बिग डेटा समस्या बनल्यामुळे, मोठे चित्र समजून घेण्यासाठी संशोधकांनी प्रगत मशीन लर्निंग पूर्णपणे वापरणे आवश्यक आहे.
प्रत्युत्तर द्या