မျက်နှာမှတ်မိခြင်းနှင့် အလိုအလျောက်မောင်းနှင်သည့်ကားများကို မောင်းနှင်သည့် တူညီသောနည်းပညာသည် မကြာမီ စကြာဝဠာ၏လျှို့ဝှက်ချက်များကို သော့ဖွင့်ခြင်းအတွက် အဓိကကျသောကိရိယာတစ်ခုဖြစ်လာပေမည်။
စူးစမ်းလေ့လာမှုဆိုင်ရာ နက္ခတ္တဗေဒတွင် မကြာသေးမီက ဖြစ်ပေါ်တိုးတက်မှုများသည် အချက်အလက်များကို ပေါက်ကွဲစေခဲ့သည်။
အစွမ်းထက်တယ်လီစကုပ်များသည် နေ့စဉ်ဒေတာ terabytes စုဆောင်းသည်။ ထိုဒေတာများစွာကို စီမံဆောင်ရွက်ရန်အတွက် သိပ္ပံပညာရှင်များသည် ဓာတ်ရောင်ခြည်တိုင်းတာခြင်းနှင့် အခြားသော ကောင်းကင်ဖြစ်စဉ်များကဲ့သို့သော နယ်ပယ်အသီးသီးတွင် အလုပ်များကို အလိုအလျောက်လုပ်ဆောင်ရန် နည်းလမ်းအသစ်များကို ရှာဖွေရန် လိုအပ်ပါသည်။
နက္ခတ္တဗေဒပညာရှင်များက အရှိန်မြှင့်ရန် စိတ်အားထက်သန်နေသော အထူးအလုပ်တစ်ခုမှာ ဂလက်ဆီများကို အမျိုးအစားခွဲခြင်းပင်ဖြစ်သည်။ ဤဆောင်းပါးတွင်၊ ဂလက်ဆီများကို အမျိုးအစားခွဲခြားခြင်းသည် အဘယ်ကြောင့် ဤမျှအရေးကြီးကြောင်းနှင့် သုတေသီများသည် ဒေတာပမာဏတိုးလာသည်နှင့်အမျှ အဆင့်မြှင့်တင်ရန် ခေတ်မီစက်သင်ယူမှုနည်းပညာများကို သုတေသီများက မည်သို့စတင်မှီခိုလာကြသည်ကို ဆွေးနွေးပါမည်။
အဘယ်ကြောင့် ကျွန်ုပ်တို့သည် ဂလက်ဆီများကို အမျိုးအစားခွဲခြားရန် လိုအပ်သနည်း။
ဂလက်ဆီပုံသဏ္ဍာန်ဟု နယ်ပယ်တွင် လူသိများသော နဂါးငွေ့တန်းများ အမျိုးအစားခွဲခြားခြင်းကို ၁၈ ရာစုတွင် စတင်ခဲ့သည်။ ထိုအချိန်တွင် Sir William Herschel သည် အမျိုးမျိုးသော 'nebula' သည် ပုံစံအမျိုးမျိုးဖြင့် ရောက်လာသည်ကို သတိပြုမိသည်။ သူ၏သားဖြစ်သူ John Herschel သည် galactic nebulae နှင့် galactic မဟုတ်သော nebulae တို့ကို ပိုင်းခြားခြင်းဖြင့် ဤအမျိုးအစားခွဲခြားမှုကို တိုးတက်ကောင်းမွန်လာစေသည်။ ဤ အမျိုးအစား နှစ်မျိုး ၏ နောက် ပိုင်း သည် ကျွန်ုပ်တို့ သိပြီး ဖြစ်သော ဂလက်ဆီများ အဖြစ် ရည်ညွှန်း သည် ။
18 ရာစု နှောင်းပိုင်းတွင် ဤစကြာဝဠာအရာဝတ္ထုများသည် “ဂလက်ဆီများ” ဖြစ်ကြပြီး ၎င်းတို့သည် ကျွန်ုပ်တို့၏ နဂါးငွေ့တန်းဂလက်ဆီအပြင်ဘက်တွင် ရှိနေကြောင်း အမျိုးမျိုးသော နက္ခတ္တဗေဒပညာရှင်များက ခန့်မှန်းကြသည်။
Hubble သည် Hubble tuning-fork diagram ဟုအလွတ်သဘောသိကြသော Hubble sequence ကိုမိတ်ဆက်ခြင်းဖြင့် 1925 ခုနှစ်တွင် galaxies အမျိုးအစားအသစ်တစ်ခုကို မိတ်ဆက်ပေးခဲ့သည်။
Hubble သည် ဂလက်ဆီများကို ပုံမှန်နှင့် ပုံမှန်မဟုတ်သော ဂလက်ဆီများအဖြစ် ပိုင်းခြားထားသည်။ ပုံမှန် နဂါးငွေ့တန်းများကို ကျယ်ပြန့်သော အတန်းအစား (၃)မျိုး ခွဲခြားထားသည်- ဘဲဥပုံများ၊ ခရုပတ်များနှင့် လီတီကျူလာ။
ဂလက်ဆီများကို လေ့လာခြင်းသည် စကြဝဠာ မည်သို့လုပ်ဆောင်ပုံ၏ အဓိက လျှို့ဝှက်ဆန်းကြယ်များစွာကို ထိုးထွင်းသိမြင်စေပါသည်။ သုတေသီများသည် ကြယ်ဖွဲ့စည်းပုံဖြစ်စဉ်နှင့်ပတ်သက်၍ သီအိုရီအတွက် မတူညီသော ဂလက်ဆီပုံစံများကို အသုံးပြုခဲ့ကြသည်။ ပုံသဏ္ဍာန်များကို အသုံးပြု၍ သိပ္ပံပညာရှင်များသည် ယနေ့ကျွန်ုပ်တို့ မြင်တွေ့နေရသော ပုံသဏ္ဍာန်များအဖြစ် နဂါးငွေ့တန်းများ ၎င်းတို့ကိုယ်သူတို့ မည်သို့ဖွဲ့စည်းပုံကို စံနမူနာပြုရန် ကြိုးပမ်းခဲ့ကြသည်။
Galaxies များ၏ အလိုအလျောက် မော်ဖဗေဒ အမျိုးအစား ခွဲခြားခြင်း
ဂလက်ဆီများကို အမျိုးအစားခွဲခြားရန် စက်သင်ယူမှုကို အသုံးပြု၍ သုတေသနပြုခြင်းသည် အလားအလာရှိသော ရလဒ်များကို ပြသခဲ့သည်။ 2020 ခုနှစ်တွင် ဂျပန်နိုင်ငံ အမျိုးသား နက္ခတ္တဗေဒ လေ့လာရေးဌာနမှ သုတေသီများက a နက်ရှိုင်းသောသင်ယူမှုနည်းပညာ ဂလက်ဆီများကို တိကျစွာ ခွဲခြားသတ်မှတ်ရန်။
သုတေသီများသည် Subaru/Hyper Suprime-Cam (HSC) Survey မှရရှိသော ဒေတာအစုအဝေးကြီးကို အသုံးပြုခဲ့သည်။ ၎င်းတို့၏နည်းပညာကို အသုံးပြု၍ ၎င်းတို့သည် ဂလက်ဆီများကို S-wise ခရုပတ်များ၊ Z-wise ခရုပတ်များနှင့် ခရုပတ်မဟုတ်သည့်အဖြစ် အမျိုးအစားခွဲခြားနိုင်သည်။
၎င်းတို့၏ သုတေသနပြုချက်များသည် အဝေးကြည့်မှန်ပြောင်းများမှ အချက်အလက်ကြီးများနှင့် ပေါင်းစပ်ခြင်း၏ အားသာချက်များကို သရုပ်ပြခဲ့သည်။ နက်ရှိုင်းသောသင်ယူမှု နည်းပညာများ။ အာရုံကြောပိုက်ကွန်များကြောင့် ယခုအခါ နက္ခတ္တဗေဒပညာရှင်များသည် ဘားများ၊ ပေါင်းစည်းမှုများနှင့် ပြင်းထန်သောမှန်ဘီလူးများကဲ့သို့သော အခြားရုပ်ပုံသဏ္ဌာန်အမျိုးအစားများကို အမျိုးအစားခွဲရန် ကြိုးစားနိုင်ပြီဖြစ်သည်။ ဥပမာ, ဆက်စပ်သုတေသန MK Cavanagh နှင့် K. Bekki တို့မှ နဂါးငွေ့တန်းများ ပေါင်းစည်းရာတွင် ဘားဖွဲ့စည်းမှုများကို စုံစမ်းစစ်ဆေးရန် CNNs ကို အသုံးပြုခဲ့သည်။
ဘယ်လိုအလုပ်လုပ်လဲ
NAOJ မှသိပ္ပံပညာရှင်များသည် convolutional ကိုမှီခိုအားထားကြသည်။ အာရုံကြောကွန်ရက်များ ရုပ်ပုံများကို အမျိုးအစားခွဲရန် သို့မဟုတ် CNN များ။ 2015 ခုနှစ်မှစ၍ CNN များသည် အချို့သော အရာဝတ္ထုများကို အမျိုးအစားခွဲခြားရန် အလွန်တိကျသော နည်းပညာတစ်ခု ဖြစ်လာခဲ့သည်။ CNN များအတွက် လက်တွေ့ကမ္ဘာအပလီကေးရှင်းများတွင် ရုပ်ပုံများ၊ ကိုယ်တိုင်မောင်းနှင်သည့်ကားများ၊ လက်ရေးဖြင့်ရေးထားသော ဇာတ်ကောင်များကို မှတ်သားခြင်းနှင့် ဆေးဘက်ဆိုင်ရာတွင် မျက်နှာသိရှိခြင်းတို့ ပါဝင်ပါသည်။ ရုပ်ပုံ ခွဲခြမ်းစိတ်ဖြာခြင်း။.
ဒါပေမယ့် CNN က ဘယ်လိုအလုပ်လုပ်လဲ။
CNN သည် အမျိုးအစားခွဲခွဲခြားမှုဟု သိကြသည့် စက်သင်ယူမှုနည်းစနစ်အတန်းမှ ပါဝင်သည်။ Classifiers များသည် အချို့သော input ကိုယူပြီး data point တစ်ခုကို ထုတ်နိုင်သည်။ ဥပမာအားဖြင့်၊ လမ်းဘေးဆိုင်းဘုတ်သည် ပုံတစ်ပုံတွင် ပုံတစ်ပုံသည် လမ်းအမှတ်အသားဟုတ်မဟုတ် ထုတ်ပေးနိုင်မည်ဖြစ်သည်။
CNN သည် ဥပမာတစ်ခုဖြစ်သည်။ အာရုံကြောကွန်ယက်ကို. ဤမသေခင်ကွန်ရက်များဖြင့် ဖွဲ့စည်းထားသည်။ အာရုံခံ တွင်ဖွဲ့စည်းထားသည်။ အလွှာ. လေ့ကျင့်ရေးအဆင့်တွင်၊ လိုအပ်သော အမျိုးအစားခွဲခြားမှုပြဿနာကို ဖြေရှင်းရာတွင် ကူညီပေးမည့် တိကျသောအလေးချိန်နှင့် ဘက်လိုက်မှုတို့ကို လိုက်လျောညီထွေဖြစ်အောင် ချိန်ညှိထားသည်။
အာရုံကြောကွန်ရက်တစ်ခုသည် ရုပ်ပုံတစ်ပုံကို လက်ခံရရှိသောအခါ၊ ၎င်းသည် ရုပ်ပုံတစ်ခုလုံး၏ သေးငယ်သော ဧရိယာများတွင် နေရာယူသည်၊ အာရုံကြောတစ်ခုစီသည် ပင်မရုပ်ပုံ၏ ကဏ္ဍအသီးသီးတွင် ယူသောကြောင့် အခြားနျူရွန်များနှင့် အပြန်အလှန် တုံ့ပြန်ကြသည်။
convolutional အလွှာများရှိနေခြင်းသည် CNN ကို အခြားသော အာရုံကြောကွန်ရက်များနှင့် ကွဲပြားစေသည်။ ထည့်သွင်းပုံမှ အင်္ဂါရပ်များကို ဖော်ထုတ်ရန် ရည်ရွယ်ချက်ဖြင့် ဤအလွှာများသည် ထပ်နေသော ပစ်ဇယ်တုံးများကို စကင်န်ဖတ်ပါ။ ကျွန်ုပ်တို့သည် နီးနီးနားနားရှိ နျူရွန်များကို ချိတ်ဆက်ထားသောကြောင့်၊ အလွှာတစ်ခုစီမှ အလွှာတစ်ခုစီကို ဖြတ်သန်းသွားသောကြောင့် ကွန်ရက်သည် ရုပ်ပုံအား နားလည်ရန် ပိုမိုလွယ်ကူသည့်အချိန်ကို ရရှိမည်ဖြစ်သည်။
Galaxy Morphology တွင်အသုံးပြုမှု
ဂလက်ဆီများကို အမျိုးအစားခွဲရာတွင် အသုံးပြုသောအခါ၊ CNN များသည် နဂါးငွေ့တန်းပုံတစ်ပုံကို သေးငယ်သော “ဖာထေးမှုများ” အဖြစ် ခွဲထုတ်သည်။ သင်္ချာနည်းနည်းသုံးပြီး၊ ပထမဝှက်ထားသောအလွှာသည် patch တွင် မျဉ်း သို့မဟုတ် မျဉ်းကွေးပါရှိမရှိကို ဖြေရှင်းရန် ကြိုးစားမည်ဖြစ်သည်။ နောက်ထပ်အလွှာများသည် လက်မောင်းတစ်ခုရှိနေခြင်းကဲ့သို့သော ခရုပတ်ဂလက်ဆီ၏အင်္ဂါရပ်ပါရှိမရှိကဲ့သို့သော ပိုမိုရှုပ်ထွေးသောမေးခွန်းများကို ဖြေရှင်းရန်ကြိုးစားပါမည်။
ပုံတစ်ပုံ၏အပိုင်းတစ်ခုတွင် မျဉ်းဖြောင့်ပါရှိမရှိကို ဆုံးဖြတ်ရန် အတော်လေးလွယ်ကူသော်လည်း၊ ပုံသည် ခရုပတ်ဂလက်ဆီကိုပြသခြင်းရှိမရှိ မေးရန်မှာ ရှုပ်ထွေးလာကာ ခရုပတ်ဂလက်ဆီအမျိုးအစားကို မဆိုထားနှင့်။
အာရုံကြောကွန်ရက်များနှင့်အတူ၊ အမျိုးအစားခွဲခြားမှုသည် ကျပန်းစည်းမျဉ်းများနှင့် စံနှုန်းများဖြင့် စတင်သည်။ ဤစည်းမျဉ်းများသည် ကျွန်ုပ်တို့ဖြေရှင်းရန်ကြိုးစားနေသောပြဿနာနှင့် သက်ဆိုင်သည်နှင့်အမျှ ဤစည်းမျဉ်းများသည် တဖြည်းဖြည်း ပို၍ပို၍တိကျလာပြီး သက်ဆိုင်ပါသည်။ လေ့ကျင့်ရေးအဆင့်၏အဆုံးတွင်၊ အာရုံကြောကွန်ရက်သည် ရုပ်ပုံတစ်ပုံတွင် မည်သည့်အင်္ဂါရပ်များကို ရှာဖွေရမည်ကို ကောင်းစွာ စိတ်ကူးရှိသင့်သည်။
Citizen Science ကို အသုံးပြု၍ AI ကို တိုးချဲ့ခြင်း။
Citizen Science သည် အပျော်တမ်း သိပ္ပံပညာရှင်များ သို့မဟုတ် အများသူငှာ လုပ်ဆောင်သော သိပ္ပံသုတေသနကို ရည်ညွှန်းသည်။
နက္ခတ္တဗေဒကို လေ့လာသော သိပ္ပံပညာရှင်များသည် ပို၍အရေးကြီးသော သိပ္ပံဆိုင်ရာ ရှာဖွေတွေ့ရှိမှုများကို ကူညီရန် နိုင်ငံသားသိပ္ပံပညာရှင်များနှင့် ပူးပေါင်းလုပ်ဆောင်လေ့ရှိသည်။ NASA က ထိန်းသိမ်းထားပါတယ်။ စာရင်း ဆဲလ်ဖုန်း သို့မဟုတ် လက်ပ်တော့ရှိသူတိုင်း ပါဝင်ကူညီနိုင်သည့် နိုင်ငံသားသိပ္ပံပရောဂျက် ဒါဇင်ပေါင်းများစွာ။
ဂျပန်နိုင်ငံ အမျိုးသား နက္ခတ္တဗေဒ လေ့လာရေးဌာနသည် နိုင်ငံသား သိပံ္ပ ပရောဂျက်တစ်ခုကိုလည်း ပြုလုပ်ခဲ့သည်။ Galaxy Cruise. အစပျိုးမှုသည် ဂလက်ဆီများကို အမျိုးအစားခွဲခြားရန် စေတနာ့ဝန်ထမ်းအား လေ့ကျင့်ပေးပြီး နဂါးငွေ့တန်းများကြားတွင် တိုက်မိနိုင်ခြေရှိသော လက္ခဏာများကို ရှာဖွေသည်။ နောက်တစ်ခုက နိုင်ငံသားပရောဂျက်လို့ခေါ်တယ်။ Galaxy Zoo ပထမနှစ်တွင် အမျိုးအစားခွဲခြားမှု သန်း ၅၀ ကျော်ကို လက်ခံရရှိထားပြီးဖြစ်သည်။
နိုင်ငံသားသိပ္ပံပရောဂျက်များမှ အချက်အလက်များကို အသုံးပြု၍ ကျွန်ုပ်တို့ လုပ်ဆောင်နိုင်ပါသည်။ မသေခင် ကွန်ရက်များကို လေ့ကျင့်ပါ။ ဂလက်ဆီများကို ပိုမိုအသေးစိတ်သော အတန်းများအဖြစ် ခွဲခြားသတ်မှတ်ရန်။ စိတ်ဝင်စားဖွယ်အင်္ဂါရပ်များပါရှိသော ဂလက်ဆီများကိုရှာဖွေရန် ဤနိုင်ငံသားသိပ္ပံတံဆိပ်များကိုလည်း အသုံးပြုနိုင်သည်။ ကွင်းများနှင့် မှန်ဘီလူးကဲ့သို့သော အင်္ဂါရပ်များသည် အာရုံကြောကွန်ရက်ကို အသုံးပြု၍ ရှာဖွေရန် ခက်ခဲနေသေးသည်။
ကောက်ချက်
နက္ခတ္တဗေဒနယ်ပယ်တွင် အာရုံကြောကွန်ရက်နည်းပညာများ ပိုမိုရေပန်းစားလာပါသည်။ NASA ၏ James Webb အာကာသကြည့်မှန်ပြောင်းကို 2021 ခုနှစ်တွင် လွှတ်တင်ခြင်းသည် စူးစမ်းလေ့လာမှုဆိုင်ရာ နက္ခတ္တဗေဒ၏ ခေတ်သစ်တစ်ခုဖြစ်ကြောင်း ကတိပြုပါသည်။ တယ်လီစကုပ်သည် ဒေတာ တာရာဘိုက်များကို စုဆောင်းထားပြီးဖြစ်ကာ ၎င်း၏ငါးနှစ်တာ မစ်ရှင်သက်တမ်းတွင် နောက်ထပ် ထောင်ပေါင်းများစွာ လမ်းကြောင်းပေါ်ရှိနိုင်သည်။
ဂလက်ဆီများကို အမျိုးအစားခွဲခြားခြင်းသည် ML ဖြင့် ချဲ့ထွင်နိုင်သည့် အလားအလာများစွာထဲမှ တစ်ခုသာဖြစ်သည်။ အာကာသဒေတာကို စီမံဆောင်ရွက်ပေးခြင်းသည် ၎င်း၏ကိုယ်ပိုင် Big Data ပြဿနာဖြစ်လာသဖြင့်၊ သုတေသီများသည် ရုပ်ပုံကြီးကြီးမားမားကို နားလည်ရန် အဆင့်မြင့်စက်သင်ယူမှုကို အပြည့်အဝအသုံးချရမည်ဖြစ်ပါသည်။
တစ်ဦးစာပြန်ရန် Leave