Innholdsfortegnelse[Gjemme seg][Forestilling]
Den samme teknologien som driver ansiktsgjenkjenning og selvkjørende biler kan snart være et nøkkelinstrument for å låse opp universets skjulte hemmeligheter.
Nyere utvikling innen observasjonsastronomi har ført til en eksplosjon av data.
Kraftige teleskoper samler terabyte med data daglig. For å behandle så mye data, må forskerne finne nye måter å automatisere ulike oppgaver i feltet, for eksempel måling av stråling og andre himmelfenomener.
En spesiell oppgave som astronomer er ivrige etter å fremskynde er klassifiseringen av galakser. I denne artikkelen skal vi gå gjennom hvorfor klassifisering av galakser er så viktig og hvordan forskere har begynt å stole på avanserte maskinlæringsteknikker for å skalere opp etter hvert som datavolumet øker.
Hvorfor må vi klassifisere galakser?
Klassifiseringen av galakser, kjent i feltet som galaksemorfologi, oppsto på 18-tallet. I løpet av den tiden observerte Sir William Herschel at forskjellige "tåker" kom i forskjellige former. Hans sønn John Herschel forbedret denne klassifiseringen ved å skille mellom galaktiske tåker og ikke-galaktiske tåker. Sistnevnte av disse to klassifiseringene er det vi kjenner og refererer til som galakser.
Mot slutten av 18-tallet spekulerte forskjellige astronomer i at disse kosmiske objektene var "ekstra-galaktiske", og at de ligger utenfor vår egen Melkevei.
Hubble introduserte en ny klassifisering av galakser i 1925 med introduksjonen av Hubble-sekvensen, kjent uformelt som Hubble stemmegaffeldiagram.
Hubbles sekvens delte galakser inn i vanlige og irregulære galakser. De vanlige galaksene ble videre delt inn i tre brede klasser: elliptiske, spiraler og linseformede.
Studiet av galakser gir oss innsikt i flere sentrale mysterier om hvordan universet fungerer. Forskere har brukt de forskjellige formene for galakser til å teoretisere om stjernedannelsesprosessen. Ved hjelp av simuleringer har forskere også forsøkt å modellere hvordan galakser selv dannes til formene vi observerer i dag.
Automatisert morfologisk klassifisering av galakser
Forskning på bruk av maskinlæring for å klassifisere galakser har vist lovende resultater. I 2020 brukte forskere fra National Astronomical Observatory of Japan en dyp læringsteknikk å klassifisere galakser nøyaktig.
Forskerne brukte et stort datasett med bilder hentet fra Subaru/Hyper Suprime-Cam (HSC) Survey. Ved å bruke teknikken deres kunne de klassifisere galakser i S-vise spiraler, Z-vise spiraler og ikke-spiraler.
Forskningen deres viste fordelene ved å kombinere store data fra teleskoper med dyp læring teknikker. På grunn av nevrale nett kan astronomer nå prøve å klassifisere andre typer morfologi som søyler, fusjoner og gjenstander med sterk linse. For eksempel, relatert forskning fra MK Cavanagh og K. Bekki brukte CNN-er for å undersøke stangformasjoner i sammenslående galakser.
Slik fungerer det
Forskerne fra NAOJ stolte på konvolusjon nevrale nettverk eller CNN for å klassifisere bilder. Siden 2015 har CNN blitt en ekstremt nøyaktig teknikk for å klassifisere visse objekter. Virkelige applikasjoner for CNN-er inkluderer ansiktsgjenkjenning i bilder, selvkjørende biler, håndskrevet karaktergjenkjenning og medisinsk bildeanalyse.
Men hvordan fungerer en CNN?
CNN tilhører en klasse av maskinlæringsteknikker kjent som klassifiserer. Klassifiserere kan ta visse input og sende ut et datapunkt. For eksempel vil en gateskiltklassifiserer kunne ta inn et bilde og sende ut om bildet er et gateskilt eller ikke.
En CNN er et eksempel på en nevrale nettverket. Disse nevrale nettverkene er sammensatt av nevroner organisert i lag. I løpet av treningsfasen blir disse nevronene innstilt for å tilpasse spesifikke vekter og skjevheter som vil bidra til å løse klassifiseringsproblemet som kreves.
Når et nevralt nettverk mottar et bilde, tar det inn små områder av bildet i stedet for alt som en helhet. Hver enkelt nevron samhandler med andre nevroner når den tar i ulike deler av hovedbildet.
Tilstedeværelsen av konvolusjonslag gjør CNN forskjellig fra andre nevrale nettverk. Disse lagene skanner overlappende blokker med piksler med mål om å identifisere funksjoner fra inndatabildet. Siden vi kobler sammen nevroner som er tett sammen, vil nettverket ha lettere for å forstå bildet når inndataene passerer gjennom hvert lag.
Bruk i galaksemorfologi
Når de brukes til å klassifisere galakser, bryter CNN ned et bilde av en galakse i mindre "flekker". Ved å bruke litt matematikk vil det første skjulte laget prøve å løse om lappen inneholder en linje eller kurve. Ytterligere lag vil prøve å løse stadig mer komplekse spørsmål som om lappen inneholder et trekk ved en spiralgalakse, for eksempel tilstedeværelsen av en arm.
Selv om det er relativt enkelt å finne ut om en del av et bilde inneholder en rett linje, blir det stadig mer komplekst å spørre om bildet viser en spiralgalakse, enn si hvilken type spiralgalakse.
Med nevrale nettverk starter klassifikatoren med tilfeldige regler og kriterier. Disse reglene blir sakte mer og mer presise og relevante for problemet vi prøver å løse. Ved slutten av treningsfasen skal det nevrale nettverket nå ha en god ide om hvilke funksjoner som skal ses etter i et bilde.
Utvide AI ved hjelp av Citizen Science
Citizen science refererer til vitenskapelig forskning utført av amatørforskere eller offentlige medlemmer.
Forskere som studerer astronomi samarbeider ofte med borgerforskere for å gjøre viktigere vitenskapelige oppdagelser. NASA opprettholder en liste av dusinvis av borgervitenskapelige prosjekter som alle med mobiltelefon eller bærbar PC kan bidra til.
National Astronomical Observatory of Japan har også satt opp et borgervitenskapelig prosjekt kjent som Galaxy Cruise. Initiativet trener frivillige til å klassifisere galakser og se etter tegn på potensielle kollisjoner mellom galakser. Et annet innbyggerprosjekt kalt Galaxy Zoo har allerede mottatt over 50 millioner klassifiseringer bare det første året etter lanseringen.
Ved å bruke data fra borgervitenskapelige prosjekter kan vi trene nevrale nettverk å klassifisere galakser i mer detaljerte klasser videre. Vi kan også bruke disse borgervitenskapelige etikettene for å finne galakser med interessante funksjoner. Funksjoner som ringer og linser kan fortsatt være vanskelig å finne ved hjelp av et nevralt nettverk.
konklusjonen
Nevrale nettverksteknikker blir stadig mer populære innen astronomi. Lanseringen av NASAs James Webb-romteleskop i 2021 lover en ny æra innen observasjonsastronomi. Teleskopet har allerede samlet inn terabyte med data, med muligens tusenvis flere på vei i løpet av dens fem år lange oppdragslevetid.
Klassifisering av galakser er bare en av mange potensielle oppgaver som kan skaleres opp med ML. Med romdatabehandling i ferd med å bli sitt eget Big Data-problem, må forskere bruke avansert maskinlæring fullt ut for å forstå det store bildet.
Legg igjen en kommentar