Teknologi yang sama yang memacu pengecaman wajah dan kereta pandu sendiri mungkin tidak lama lagi menjadi instrumen utama dalam membuka kunci rahsia tersembunyi alam semesta.
Perkembangan terkini dalam astronomi pemerhatian telah membawa kepada letupan data.
Teleskop berkuasa mengumpulkan terabait data setiap hari. Untuk memproses data sebanyak itu, saintis perlu mencari cara baharu untuk mengautomasikan pelbagai tugas di lapangan, seperti mengukur sinaran dan fenomena cakerawala yang lain.
Satu tugas tertentu yang ahli astronomi ingin mempercepatkan ialah klasifikasi galaksi. Dalam artikel ini, kita akan membincangkan sebab mengklasifikasikan galaksi adalah sangat penting dan cara penyelidik mula bergantung pada teknik pembelajaran mesin lanjutan untuk ditingkatkan apabila volum data meningkat.
Mengapa kita perlu mengklasifikasikan galaksi?
Klasifikasi galaksi, yang dikenali dalam bidang sebagai morfologi galaksi, berasal dari abad ke-18. Pada masa itu, Sir William Herschel memerhatikan bahawa pelbagai 'nebula' datang dalam pelbagai bentuk. Anak lelakinya John Herschel menambah baik klasifikasi ini dengan membezakan antara nebula galaksi dan nebula bukan galaksi. Yang terakhir daripada dua klasifikasi ini ialah apa yang kita ketahui dan rujuk sebagai galaksi.
Menjelang akhir abad ke-18, pelbagai ahli astronomi membuat spekulasi bahawa objek kosmik ini adalah "ekstra-galaksi", dan ia terletak di luar Bima Sakti kita sendiri.
Hubble memperkenalkan klasifikasi baru galaksi pada tahun 1925 dengan pengenalan jujukan Hubble, yang dikenali secara tidak rasmi sebagai gambarajah garpu tala Hubble.
Jujukan Hubble membahagikan galaksi kepada galaksi biasa dan tidak teratur. Galaksi biasa dibahagikan lagi kepada tiga kelas yang luas: Elips, spiral, dan lentikular.
Kajian galaksi memberi kita gambaran tentang beberapa misteri utama tentang cara alam semesta berfungsi. Penyelidik telah menggunakan pelbagai bentuk galaksi untuk membuat teori tentang proses pembentukan bintang. Menggunakan simulasi, saintis juga telah cuba memodelkan bagaimana galaksi itu sendiri membentuk bentuk yang kita perhatikan hari ini.
Klasifikasi Morfologi Automatik bagi Galaksi
Penyelidikan menggunakan pembelajaran mesin untuk mengklasifikasikan galaksi telah menunjukkan hasil yang menjanjikan. Pada tahun 2020, penyelidik dari Balai Cerap Astronomi Negara Jepun menggunakan a teknik pembelajaran mendalam untuk mengelaskan galaksi dengan tepat.
Para penyelidik menggunakan set data besar imej yang diperoleh daripada Tinjauan Subaru/Hyper Suprime-Cam (HSC). Menggunakan teknik mereka, mereka boleh mengelaskan galaksi kepada lingkaran S-bijak, Lingkaran Z-bijak dan bukan lingkaran.
Penyelidikan mereka menunjukkan kelebihan menggabungkan data besar daripada teleskop dengan pembelajaran mendalam teknik. Oleh kerana jaring saraf, ahli astronomi kini boleh mencuba mengklasifikasikan jenis morfologi lain seperti bar, penggabungan dan objek berlensa kuat. Sebagai contoh, penyelidikan berkaitan daripada MK Cavanagh dan K. Bekki menggunakan CNN untuk menyiasat pembentukan bar dalam penggabungan galaksi.
Langkah-langkah untuk Copytrade
Para saintis dari NAOJ bergantung pada convolutional rangkaian saraf atau CNN untuk mengklasifikasikan imej. Sejak 2015, CNN telah menjadi teknik yang sangat tepat untuk mengklasifikasikan objek tertentu. Aplikasi dunia sebenar untuk CNN termasuk pengesanan muka dalam imej, kereta pandu sendiri, pengecaman aksara tulisan tangan dan perubatan analisis imejan.
Tetapi bagaimanakah CNN berfungsi?
CNN tergolong dalam kelas teknik pembelajaran mesin yang dikenali sebagai pengelas. Pengelas boleh mengambil input dan output tertentu titik data. Sebagai contoh, pengelas tanda jalan akan dapat mengambil imej dan mengeluarkan sama ada imej itu tanda jalan atau tidak.
CNN ialah contoh a rangkaian neural. Rangkaian saraf ini terdiri daripada neuron dianjurkan ke dalam lapisan. Semasa fasa latihan, neuron ini ditala untuk menyesuaikan berat dan berat sebelah tertentu yang akan membantu menyelesaikan masalah klasifikasi yang diperlukan.
Apabila rangkaian saraf menerima imej, ia mengambil kawasan kecil imej dan bukannya segala-galanya secara keseluruhan, Setiap neuron individu berinteraksi dengan neuron lain kerana ia mengambil bahagian dalam pelbagai bahagian imej utama.
Kehadiran lapisan konvolusi menjadikan CNN berbeza daripada rangkaian saraf lain. Lapisan ini mengimbas blok bertindih piksel dengan matlamat untuk mengenal pasti ciri daripada imej input. Memandangkan kita menyambung neuron yang berdekatan, rangkaian akan mempunyai masa yang lebih mudah untuk memahami gambar apabila data input melalui setiap lapisan.
Penggunaan dalam Morfologi Galaxy
Apabila digunakan dalam mengklasifikasikan galaksi, CNN memecahkan imej galaksi kepada "tompok" yang lebih kecil. Menggunakan sedikit matematik, lapisan tersembunyi pertama akan cuba menyelesaikan sama ada tampung mengandungi garisan atau lengkung. Lapisan selanjutnya akan cuba menyelesaikan soalan yang semakin kompleks seperti sama ada tampalan itu mengandungi ciri galaksi lingkaran, seperti kehadiran lengan.
Walaupun agak mudah untuk menentukan sama ada bahagian imej mengandungi garis lurus, ia menjadi semakin rumit untuk bertanya sama ada imej itu menunjukkan galaksi lingkaran, apatah lagi jenis galaksi lingkaran.
Dengan rangkaian saraf, pengelas bermula dengan peraturan dan kriteria rawak. Peraturan ini perlahan-lahan menjadi lebih tepat dan relevan dengan masalah yang kami cuba selesaikan. Menjelang akhir fasa latihan, rangkaian saraf kini sepatutnya mempunyai idea yang baik tentang ciri yang perlu dicari dalam imej.
Memperluas AI menggunakan Sains Warganegara
Sains warganegara merujuk kepada penyelidikan saintifik yang dijalankan oleh saintis amatur atau orang awam.
Para saintis yang mempelajari astronomi sering bekerjasama dengan saintis warganegara untuk membantu membuat penemuan saintifik yang lebih penting. NASA mengekalkan a senarai daripada berpuluh-puluh projek sains warganegara yang boleh menyumbang kepada sesiapa yang mempunyai telefon bimbit atau komputer riba.
Balai Cerap Astronomi Negara Jepun juga telah mengadakan projek sains warganegara yang dikenali sebagai Galaxy Cruise. Inisiatif ini melatih sukarelawan untuk mengklasifikasikan galaksi dan mencari tanda-tanda potensi perlanggaran antara galaksi. Satu lagi projek rakyat dipanggil Zoo Galaxy telah menerima lebih 50 juta klasifikasi dalam hanya tahun pertama pelancaran.
Menggunakan data daripada projek sains warganegara, kita boleh melatih rangkaian saraf untuk mengelaskan galaksi kepada kelas yang lebih terperinci lagi. Kami juga boleh menggunakan label sains warganegara ini untuk mencari galaksi dengan ciri menarik. Ciri seperti cincin dan kanta mungkin masih sukar dicari menggunakan rangkaian saraf.
Kesimpulan
Teknik rangkaian saraf menjadi semakin popular dalam bidang astronomi. Pelancaran Teleskop Angkasa James Webb NASA pada tahun 2021 menjanjikan era baharu astronomi pemerhatian. Teleskop itu telah mengumpul terabait data, dengan kemungkinan beribu-ribu lagi dalam perjalanan sepanjang hayat misi lima tahunnya.
Mengelaskan galaksi hanyalah satu daripada banyak tugas yang berpotensi yang boleh ditingkatkan dengan ML. Dengan pemprosesan data angkasa menjadi masalah Data Besarnya sendiri, penyelidik mesti menggunakan pembelajaran mesin lanjutan sepenuhnya untuk memahami gambaran besar.
Sila tinggalkan balasan anda