अनुहार पहिचान र स्व-ड्राइभिङ कारहरू चलाउने एउटै प्रविधि चाँडै ब्रह्माण्डको लुकेका रहस्यहरू खोल्नको लागि एक प्रमुख उपकरण हुन सक्छ।
पर्यवेक्षणात्मक खगोल विज्ञानमा हालैका विकासहरूले डाटाको विस्फोटको नेतृत्व गरेको छ।
शक्तिशाली टेलिस्कोपहरूले दैनिक टेराबाइट डाटा सङ्कलन गर्छन्। त्यो धेरै डाटा प्रशोधन गर्न, वैज्ञानिकहरूले विकिरण र अन्य आकाशीय घटनाहरू मापन जस्ता क्षेत्रमा विभिन्न कार्यहरू स्वचालित गर्न नयाँ तरिकाहरू खोज्न आवश्यक छ।
एक विशेष कार्य जुन खगोलविद्हरूले गति बढाउन उत्सुक छन् आकाशगंगाहरूको वर्गीकरण हो। यस लेखमा, हामी आकाशगंगाहरूको वर्गीकरण किन यति महत्त्वपूर्ण छ र कसरी अनुसन्धानकर्ताहरूले डाटाको मात्रा बढ्दै जाँदा मापन गर्न उन्नत मेसिन लर्निङ प्रविधिहरूमा भर पर्न थालेका छन् भनी छलफल गर्नेछौं।
हामीले आकाशगंगाहरूलाई किन वर्गीकरण गर्न आवश्यक छ?
आकाशगंगाहरूको वर्गीकरण, ग्यालेक्सी मोर्फोलोजी भनेर चिनिन्छ, 18 औं शताब्दीमा उत्पन्न भयो। त्यस समयमा सर विलियम हर्शेलले विभिन्न 'नेबुला' विभिन्न रूपमा आएको देखे। उनका छोरा जोन हर्शेलले ग्यालेक्टिक नेबुला र गैर-ग्यालेक्टिक नेबुला बीचको भिन्नता देखाएर यस वर्गीकरणमा सुधार गरे। यी दुई वर्गीकरणको पछिल्लोलाई हामीले थाहा पाउँछौं र आकाशगंगाहरू भनेर बुझाउँछौं।
18 औं शताब्दीको अन्त्यतिर, विभिन्न खगोलविद्हरूले यी ब्रह्माण्डीय वस्तुहरू "अतिरिक्त-ग्यालेक्टिक" थिए र तिनीहरू हाम्रो आफ्नै मिल्की वे बाहिर छन् भनी अनुमान लगाए।
हबलले 1925 मा हबल अनुक्रमको परिचयको साथ आकाशगंगाहरूको नयाँ वर्गीकरण प्रस्तुत गर्यो, जसलाई अनौपचारिक रूपमा हबल ट्युनिङ-फोर्क रेखाचित्र भनिन्छ।
हबलको अनुक्रमले आकाशगंगाहरूलाई नियमित र अनियमित आकाशगंगाहरूमा विभाजित गर्यो। नियमित आकाशगंगाहरूलाई थप तीन ठूला वर्गहरूमा विभाजन गरिएको थियो: अण्डाकार, सर्पिल र लेन्टिक्युलर।
आकाशगंगाहरूको अध्ययनले हामीलाई ब्रह्माण्डले कसरी काम गर्छ भन्ने धेरै मुख्य रहस्यहरूमा अन्तरदृष्टि दिन्छ। अन्वेषकहरूले तारा गठन प्रक्रियाको बारेमा सिद्धान्त गर्न आकाशगंगाका विभिन्न रूपहरू प्रयोग गरेका छन्। सिमुलेशनहरू प्रयोग गरेर, वैज्ञानिकहरूले आज हामीले अवलोकन गर्ने आकारहरूमा आकाशगंगाहरू कसरी बन्छन् भनेर मोडेल गर्ने प्रयास गरेका छन्।
आकाशगंगाहरूको स्वचालित रूपात्मक वर्गीकरण
आकाशगंगाहरू वर्गीकरण गर्न मेसिन लर्निङ प्रयोग गर्ने अनुसन्धानले आशाजनक नतिजाहरू देखाएको छ। २०२० मा, जापानको नेशनल एस्ट्रोनोमिकल अब्जर्भेटरीका अनुसन्धानकर्ताहरूले ए गहिरो सिक्ने प्रविधि आकाशगंगाहरूलाई सही रूपमा वर्गीकरण गर्न।
शोधकर्ताहरूले सुबारु/हाइपर सुप्रिम-क्याम (एचएससी) सर्वेक्षणबाट प्राप्त छविहरूको ठूलो डेटासेट प्रयोग गरे। तिनीहरूको प्रविधि प्रयोग गरेर, तिनीहरूले आकाशगंगाहरूलाई S-wise सर्पिलहरू, Z-wise सर्पिलहरू, र गैर-सर्पिलहरूमा वर्गीकृत गर्न सक्छन्।
तिनीहरूको अनुसन्धानले टेलिस्कोपबाट ठूलो डाटा संयोजन गर्ने फाइदाहरू प्रदर्शन गर्यो गहिरो शिक्षा प्रविधिहरू। तंत्रिका जालको कारण, खगोलविद्हरूले अब अन्य प्रकारका आकारविज्ञान जस्तै बार, मर्जर, र बलियो लेन्स गरिएका वस्तुहरू वर्गीकरण गर्ने प्रयास गर्न सक्छन्। उदाहरण को लागी, सम्बन्धित अनुसन्धान MK Cavanagh र K. Bekki बाट CNNs प्रयोग गरी मर्ज गर्ने ग्यालेक्सीहरूमा बार संरचनाहरूको खोजी गर्न।
कसरी यो काम गर्दछ
NAOJ का वैज्ञानिकहरू convolutional मा भर परे तंत्रिका सञ्जालहरू वा सीएनएनहरू छविहरू वर्गीकृत गर्न। 2015 देखि, CNN हरू निश्चित वस्तुहरू वर्गीकरण गर्न एकदमै सही प्रविधि भएको छ। CNN को लागि वास्तविक-विश्व अनुप्रयोगहरूले छविहरूमा अनुहार पत्ता लगाउने, स्व-ड्राइभिङ कारहरू, हस्तलिखित चरित्र पहिचान, र चिकित्सा समावेश गर्दछ इमेजरी विश्लेषण.
तर सीएनएनले कसरी काम गर्छ?
CNN क्लासिफायर भनेर चिनिने मेसिन लर्निङ प्रविधिको वर्ग हो। वर्गीकरणकर्ताहरूले निश्चित इनपुट लिन सक्छन् र डेटा पोइन्ट आउटपुट गर्न सक्छन्। उदाहरणका लागि, सडक चिन्ह वर्गीकरणकर्ताले छवि लिन र छवि सडक चिन्ह हो वा होइन भनेर आउटपुट गर्न सक्षम हुनेछ।
CNN एउटा उदाहरण हो तंत्रिका सञ्जाल। यी तंत्रिका नेटवर्कहरू मिलेर बनेका हुन्छन् न्यूरोन्स मा संगठित तहहरू। प्रशिक्षण चरणको दौडान, यी न्युरोनहरू विशिष्ट तौल र पूर्वाग्रहहरू अनुकूलन गर्न ट्युन हुन्छन् जसले आवश्यक वर्गीकरण समस्या समाधान गर्न मद्दत गर्दछ।
जब एक तंत्रिका नेटवर्कले छवि प्राप्त गर्दछ, यसले सम्पूर्ण रूपमा सबै कुराको सट्टा छविको सानो क्षेत्रहरूमा लिन्छ, प्रत्येक व्यक्तिगत न्यूरोनले अन्य न्यूरोन्ससँग अन्तरक्रिया गर्दछ जुन यसले मुख्य छविको विभिन्न भागहरूमा लिन्छ।
कन्भोलुसनल तहहरूको उपस्थितिले CNN लाई अन्य न्यूरल नेटवर्कहरू भन्दा फरक बनाउँछ। यी तहहरूले इनपुट छविबाट सुविधाहरू पहिचान गर्ने लक्ष्यका साथ पिक्सेलको ओभरल्यापिङ ब्लकहरू स्क्यान गर्छन्। हामीले एकसाथ नजीक भएका न्युरोन्सहरू जडान गरेको हुनाले, इनपुट डेटा प्रत्येक तहबाट जाँदा नेटवर्कले चित्र बुझ्न सजिलो समय पाउनेछ।
Galaxy Morphology मा प्रयोग
आकाशगंगाहरू वर्गीकरण गर्न प्रयोग गर्दा, CNN ले आकाशगंगाको छविलाई सानो "प्याच" मा विभाजन गर्दछ। थोरै गणित प्रयोग गरेर, पहिलो लुकेको तहले प्याचमा रेखा वा वक्र समावेश छ कि छैन भनेर समाधान गर्ने प्रयास गर्नेछ। थप तहहरूले बढ्दो जटिल प्रश्नहरू समाधान गर्ने प्रयास गर्नेछन् जस्तै कि प्याचमा सर्पिल ग्यालेक्सीको विशेषता समावेश छ, जस्तै हातको उपस्थिति।
छविको एक खण्डमा सीधा रेखा समावेश छ कि छैन भनेर निर्धारण गर्न अपेक्षाकृत सजिलो हुँदा, यो छविले सर्पिल ग्यालेक्सी देखाउँछ कि भनेर सोध्न झन् जटिल हुँदै जान्छ, कुन प्रकारको सर्पिल ग्यालेक्सीलाई छोड्नुहोस्।
तंत्रिका सञ्जालहरूसँग, वर्गीकरणकर्ता अनियमित नियम र मापदण्डहरूसँग सुरु हुन्छ। यी नियमहरू बिस्तारै हामीले समाधान गर्न खोजिरहेका समस्याका लागि थप सटीक र सान्दर्भिक हुँदै जान्छन्। प्रशिक्षण चरणको अन्त्यमा, तंत्रिका नेटवर्कसँग अब छविमा कुन सुविधाहरू हेर्ने भन्ने राम्रो विचार हुनुपर्दछ।
नागरिक विज्ञान प्रयोग गरेर एआई विस्तार गर्दै
नागरिक विज्ञानले शौकिया वैज्ञानिक वा सार्वजनिक सदस्यहरूद्वारा गरिएको वैज्ञानिक अनुसन्धानलाई बुझाउँछ।
खगोल विज्ञान अध्ययन गर्ने वैज्ञानिकहरूले अधिक महत्त्वपूर्ण वैज्ञानिक आविष्कारहरू गर्न मद्दत गर्नका लागि अक्सर नागरिक वैज्ञानिकहरूसँग सहकार्य गर्छन्। नासाले ए सूची दर्जनौं नागरिक विज्ञान परियोजनाहरू जसमा सेलफोन वा ल्यापटप भएका जो कोहीले पनि योगदान गर्न सक्छन्।
जापानको नेशनल एस्ट्रोनोमिकल अब्जर्भेटरीले नागरिक विज्ञान परियोजना पनि राखेको छ ग्यालेक्सी क्रूज। पहलले ग्यालेक्सीहरू वर्गीकरण गर्न र आकाशगंगाहरू बीचको सम्भावित टक्करहरूको संकेतहरू खोज्न स्वयंसेवकहरूलाई तालिम दिन्छ। अर्को नागरिक परियोजना बोलाइयो ग्यालेक्सी चिडियाखाना सुरुवातको पहिलो वर्षमा नै 50 मिलियन भन्दा बढी वर्गीकरण प्राप्त गरिसकेको छ।
नागरिक विज्ञान परियोजनाहरूबाट डाटा प्रयोग गरेर, हामी सक्छौं तंत्रिका सञ्जालहरू प्रशिक्षित गर्नुहोस् आकाशगंगाहरूलाई थप विस्तृत वर्गहरूमा वर्गीकरण गर्न। हामीले यी नागरिक विज्ञान लेबलहरू पनि रोचक विशेषताहरू भएका आकाशगंगाहरू फेला पार्न प्रयोग गर्न सक्छौं। घण्टी र लेन्स जस्ता सुविधाहरू अझै पनि न्यूरल नेटवर्क प्रयोग गरेर फेला पार्न गाह्रो हुन सक्छ।
निष्कर्ष
खगोल विज्ञानको क्षेत्रमा न्यूरल नेटवर्क प्रविधिहरू बढ्दो लोकप्रिय हुँदै गइरहेका छन्। २०२१ मा नासाको जेम्स वेब स्पेस टेलिस्कोपको प्रक्षेपणले अवलोकन खगोल विज्ञानको नयाँ युगको प्रतिज्ञा गर्दछ। टेलिस्कोपले पहिले नै टेराबाइट डाटा सङ्कलन गरिसकेको छ, सम्भवतः आफ्नो पाँच वर्षको मिशन जीवनकालमा हजारौं थपको बाटोमा।
आकाशगंगाहरू वर्गीकरण गर्नु धेरै सम्भावित कार्यहरू मध्ये एक मात्र हो जुन ML सँग मापन गर्न सकिन्छ। स्पेस डाटा प्रोसेसिंग आफ्नै बिग डाटा समस्या बन्नको साथ, अनुसन्धानकर्ताहरूले ठूलो तस्वीर बुझ्नको लागि पूर्ण रूपमा उन्नत मेसिन लर्निंग प्रयोग गर्नुपर्छ।
जवाफ छाड्नुस्