ਉਹੀ ਤਕਨੀਕ ਜੋ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਅਤੇ ਸਵੈ-ਡਰਾਈਵਿੰਗ ਕਾਰਾਂ ਨੂੰ ਚਲਾਉਂਦੀ ਹੈ, ਜਲਦੀ ਹੀ ਬ੍ਰਹਿਮੰਡ ਦੇ ਲੁਕੇ ਹੋਏ ਰਾਜ਼ਾਂ ਨੂੰ ਖੋਲ੍ਹਣ ਲਈ ਇੱਕ ਮੁੱਖ ਸਾਧਨ ਹੋ ਸਕਦੀ ਹੈ।
ਨਿਰੀਖਣ ਖਗੋਲ ਵਿਗਿਆਨ ਵਿੱਚ ਹਾਲੀਆ ਵਿਕਾਸ ਨੇ ਡੇਟਾ ਦੇ ਵਿਸਫੋਟ ਦਾ ਕਾਰਨ ਬਣਾਇਆ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਦੂਰਬੀਨ ਰੋਜ਼ਾਨਾ ਟੈਰਾਬਾਈਟ ਡਾਟਾ ਇਕੱਠਾ ਕਰਦੀ ਹੈ। ਉਸ ਬਹੁਤ ਸਾਰੇ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ, ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਖੇਤਰ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਕਾਰਜਾਂ ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਨ ਲਈ ਨਵੇਂ ਤਰੀਕੇ ਲੱਭਣ ਦੀ ਲੋੜ ਹੈ, ਜਿਵੇਂ ਕਿ ਰੇਡੀਏਸ਼ਨ ਅਤੇ ਹੋਰ ਆਕਾਸ਼ੀ ਵਰਤਾਰਿਆਂ ਨੂੰ ਮਾਪਣਾ।
ਇੱਕ ਖਾਸ ਕੰਮ ਜਿਸਨੂੰ ਖਗੋਲ ਵਿਗਿਆਨੀ ਤੇਜ਼ ਕਰਨ ਲਈ ਉਤਸੁਕ ਹਨ ਉਹ ਹੈ ਗਲੈਕਸੀਆਂ ਦਾ ਵਰਗੀਕਰਨ। ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਆਕਾਸ਼ਗੰਗਾਵਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨਾ ਇੰਨਾ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ ਅਤੇ ਕਿਵੇਂ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਡਾਟਾ ਦੀ ਮਾਤਰਾ ਵਧਣ ਦੇ ਨਾਲ ਮਾਪਣ ਲਈ ਉੱਨਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ ਹੈ।
ਸਾਨੂੰ ਗਲੈਕਸੀਆਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਦੀ ਲੋੜ ਕਿਉਂ ਹੈ?
ਗਲੈਕਸੀਆਂ ਦਾ ਵਰਗੀਕਰਨ, ਖੇਤਰ ਵਿੱਚ ਗਲੈਕਸੀ ਰੂਪ ਵਿਗਿਆਨ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, 18ਵੀਂ ਸਦੀ ਵਿੱਚ ਸ਼ੁਰੂ ਹੋਇਆ ਸੀ। ਉਸ ਸਮੇਂ ਦੌਰਾਨ ਸਰ ਵਿਲੀਅਮ ਹਰਸ਼ੇਲ ਨੇ ਦੇਖਿਆ ਕਿ ਵੱਖ-ਵੱਖ 'ਨੇਬੂਲੇ' ਵੱਖ-ਵੱਖ ਰੂਪਾਂ ਵਿੱਚ ਆਉਂਦੇ ਹਨ। ਉਸ ਦੇ ਪੁੱਤਰ ਜੌਨ ਹਰਸ਼ੇਲ ਨੇ ਗਲੈਕਟਿਕ ਨੇਬੂਲੇ ਅਤੇ ਗੈਰ-ਗੈਲੈਕਟਿਕ ਨੀਬੂਲਾ ਵਿਚਕਾਰ ਫਰਕ ਕਰਕੇ ਇਸ ਵਰਗੀਕਰਨ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ। ਇਹਨਾਂ ਦੋ ਵਰਗੀਕਰਣਾਂ ਦੇ ਬਾਅਦ ਵਾਲੇ ਉਹ ਹਨ ਜੋ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਅਤੇ ਗਲੈਕਸੀਆਂ ਵਜੋਂ ਸੰਦਰਭਿਤ ਕਰਦੇ ਹਾਂ।
18ਵੀਂ ਸਦੀ ਦੇ ਅੰਤ ਵਿੱਚ, ਵੱਖ-ਵੱਖ ਖਗੋਲ-ਵਿਗਿਆਨੀਆਂ ਨੇ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਕਿ ਇਹ ਬ੍ਰਹਿਮੰਡੀ ਵਸਤੂਆਂ "ਵਾਧੂ-ਗਲੈਕਟਿਕ" ਸਨ, ਅਤੇ ਇਹ ਕਿ ਇਹ ਸਾਡੇ ਆਪਣੇ ਆਕਾਸ਼ਗੰਗਾ ਦੇ ਬਾਹਰ ਹਨ।
ਹਬਲ ਨੇ 1925 ਵਿੱਚ ਹਬਲ ਕ੍ਰਮ ਦੀ ਸ਼ੁਰੂਆਤ ਦੇ ਨਾਲ ਗਲੈਕਸੀਆਂ ਦਾ ਇੱਕ ਨਵਾਂ ਵਰਗੀਕਰਨ ਪੇਸ਼ ਕੀਤਾ, ਜਿਸਨੂੰ ਗੈਰ ਰਸਮੀ ਤੌਰ 'ਤੇ ਹਬਲ ਟਿਊਨਿੰਗ-ਫੋਰਕ ਡਾਇਗ੍ਰਾਮ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ।
ਹਬਲ ਦੇ ਕ੍ਰਮ ਨੇ ਗਲੈਕਸੀਆਂ ਨੂੰ ਨਿਯਮਤ ਅਤੇ ਅਨਿਯਮਿਤ ਗਲੈਕਸੀਆਂ ਵਿੱਚ ਵੰਡਿਆ। ਨਿਯਮਤ ਗਲੈਕਸੀਆਂ ਨੂੰ ਅੱਗੇ ਤਿੰਨ ਵਿਆਪਕ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ: ਅੰਡਾਕਾਰ, ਸਪਿਰਲ ਅਤੇ ਲੈਂਟੀਕੂਲਰ।
ਗਲੈਕਸੀਆਂ ਦਾ ਅਧਿਐਨ ਸਾਨੂੰ ਬ੍ਰਹਿਮੰਡ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਕਈ ਮੁੱਖ ਰਹੱਸਾਂ ਦੀ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਤਾਰੇ ਦੇ ਗਠਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਬਾਰੇ ਸਿਧਾਂਤ ਬਣਾਉਣ ਲਈ ਗਲੈਕਸੀਆਂ ਦੇ ਵੱਖ-ਵੱਖ ਰੂਪਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ। ਸਿਮੂਲੇਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਵਿਗਿਆਨੀਆਂ ਨੇ ਇਹ ਵੀ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਹੈ ਕਿ ਕਿਵੇਂ ਗਲੈਕਸੀਆਂ ਆਪਣੇ ਆਪ ਵਿੱਚ ਉਹਨਾਂ ਆਕਾਰਾਂ ਵਿੱਚ ਬਣ ਜਾਂਦੀਆਂ ਹਨ ਜੋ ਅਸੀਂ ਅੱਜ ਦੇਖਦੇ ਹਾਂ।
ਗਲੈਕਸੀਆਂ ਦਾ ਸਵੈਚਾਲਿਤ ਰੂਪ ਵਿਗਿਆਨਿਕ ਵਰਗੀਕਰਨ
ਗਲੈਕਸੀਆਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਖੋਜ ਨੇ ਸ਼ਾਨਦਾਰ ਨਤੀਜੇ ਦਿਖਾਏ ਹਨ। 2020 ਵਿੱਚ, ਜਾਪਾਨ ਦੀ ਨੈਸ਼ਨਲ ਐਸਟ੍ਰੋਨੋਮੀਕਲ ਆਬਜ਼ਰਵੇਟਰੀ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਏ ਡੂੰਘੀ ਸਿੱਖਣ ਦੀ ਤਕਨੀਕ ਗਲੈਕਸੀਆਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ।
ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਸੁਬਾਰੂ/ਹਾਈਪਰ ਸੁਪਰੀਮ-ਕੈਮ (HSC) ਸਰਵੇਖਣ ਤੋਂ ਪ੍ਰਾਪਤ ਚਿੱਤਰਾਂ ਦੇ ਇੱਕ ਵੱਡੇ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਆਪਣੀ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਉਹ ਆਕਾਸ਼ਗੰਗਾਵਾਂ ਨੂੰ ਐਸ-ਵਾਈਜ਼ ਸਪਾਈਰਲਜ਼, ਜ਼ੈੱਡ-ਵਾਈਜ਼ ਸਪਾਈਰਲਜ਼, ਅਤੇ ਗੈਰ-ਸਪਿਰਲਾਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰ ਸਕਦੇ ਹਨ।
ਉਨ੍ਹਾਂ ਦੀ ਖੋਜ ਨੇ ਟੈਲੀਸਕੋਪਾਂ ਤੋਂ ਵੱਡੇ ਡੇਟਾ ਨੂੰ ਜੋੜਨ ਦੇ ਫਾਇਦਿਆਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਡੂੰਘੀ ਸਿੱਖਿਆ ਤਕਨੀਕਾਂ ਤੰਤੂ ਜਾਲਾਂ ਦੇ ਕਾਰਨ, ਖਗੋਲ-ਵਿਗਿਆਨੀ ਹੁਣ ਹੋਰ ਕਿਸਮਾਂ ਦੇ ਰੂਪ ਵਿਗਿਆਨ ਜਿਵੇਂ ਕਿ ਬਾਰ, ਵਿਲੀਨਤਾ, ਅਤੇ ਜ਼ੋਰਦਾਰ ਲੈਂਸ ਵਾਲੀਆਂ ਵਸਤੂਆਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਣ ਲਈ, ਸਬੰਧਤ ਖੋਜ MK Cavanagh ਅਤੇ K. Bekki ਤੋਂ CNNs ਦੀ ਵਰਤੋਂ ਅਭੇਦ ਆਕਾਸ਼ਗੰਗਾਵਾਂ ਵਿੱਚ ਬਾਰ ਬਣਤਰਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਕੀਤੀ।
ਕਿਦਾ ਚਲਦਾ
NAOJ ਦੇ ਵਿਗਿਆਨੀਆਂ ਨੇ convolutional 'ਤੇ ਭਰੋਸਾ ਕੀਤਾ ਦਿਮਾਗੀ ਨੈਟਵਰਕ ਜਾਂ ਚਿੱਤਰਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਸੀ.ਐਨ.ਐਨ. 2015 ਤੋਂ, CNN ਕੁਝ ਵਸਤੂਆਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਇੱਕ ਬਹੁਤ ਹੀ ਸਹੀ ਤਕਨੀਕ ਬਣ ਗਈ ਹੈ। CNN ਲਈ ਅਸਲ-ਸੰਸਾਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਚਿੱਤਰਾਂ ਵਿੱਚ ਚਿਹਰੇ ਦੀ ਪਛਾਣ, ਸਵੈ-ਡਰਾਈਵਿੰਗ ਕਾਰਾਂ, ਹੱਥ ਲਿਖਤ ਅੱਖਰ ਪਛਾਣ, ਅਤੇ ਮੈਡੀਕਲ ਸ਼ਾਮਲ ਹਨ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ.
ਪਰ ਇੱਕ ਸੀਐਨਐਨ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ?
CNN ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਨਾਲ ਸਬੰਧਤ ਹੈ ਜਿਸਨੂੰ ਕਲਾਸੀਫਾਇਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਵਰਗੀਕਰਣ ਕੁਝ ਇੰਪੁੱਟ ਲੈ ਸਕਦੇ ਹਨ ਅਤੇ ਡੇਟਾ ਪੁਆਇੰਟ ਆਉਟਪੁੱਟ ਕਰ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਸਟ੍ਰੀਟ ਸਾਈਨ ਕਲਾਸੀਫਾਇਰ ਇੱਕ ਚਿੱਤਰ ਅਤੇ ਆਉਟਪੁੱਟ ਵਿੱਚ ਲੈਣ ਦੇ ਯੋਗ ਹੋਵੇਗਾ ਕਿ ਕੀ ਚਿੱਤਰ ਇੱਕ ਸੜਕ ਚਿੰਨ੍ਹ ਹੈ ਜਾਂ ਨਹੀਂ।
ਇੱਕ CNN ਇੱਕ ਉਦਾਹਰਨ ਹੈ ਨਿਊਰਲ ਨੈਟਵਰਕ. ਇਹ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਬਣੇ ਹੁੰਦੇ ਹਨ ਨਾਈਰੋਨਸ ਵਿੱਚ ਸੰਗਠਿਤ ਪਰਤਾਂ. ਸਿਖਲਾਈ ਪੜਾਅ ਦੇ ਦੌਰਾਨ, ਇਹ ਨਿਊਰੋਨਸ ਖਾਸ ਵਜ਼ਨ ਅਤੇ ਪੱਖਪਾਤ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਲਈ ਟਿਊਨ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜੋ ਲੋੜੀਂਦੀ ਵਰਗੀਕਰਨ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨਗੇ।
ਜਦੋਂ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਇੱਕ ਚਿੱਤਰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਹਰ ਚੀਜ਼ ਦੀ ਬਜਾਏ ਚਿੱਤਰ ਦੇ ਛੋਟੇ ਖੇਤਰਾਂ ਵਿੱਚ ਲੈਂਦਾ ਹੈ, ਹਰੇਕ ਵਿਅਕਤੀਗਤ ਨਿਊਰੋਨ ਦੂਜੇ ਨਿਊਰੋਨਸ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਇਹ ਮੁੱਖ ਚਿੱਤਰ ਦੇ ਵੱਖ-ਵੱਖ ਭਾਗਾਂ ਵਿੱਚ ਲੈਂਦਾ ਹੈ।
ਕਨਵੋਲਿਊਸ਼ਨਲ ਲੇਅਰਾਂ ਦੀ ਮੌਜੂਦਗੀ ਸੀਐਨਐਨ ਨੂੰ ਦੂਜੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਤੋਂ ਵੱਖਰਾ ਬਣਾਉਂਦੀ ਹੈ। ਇਹ ਪਰਤਾਂ ਇਨਪੁਟ ਚਿੱਤਰ ਤੋਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦੇ ਟੀਚੇ ਨਾਲ ਪਿਕਸਲ ਦੇ ਓਵਰਲੈਪਿੰਗ ਬਲਾਕਾਂ ਨੂੰ ਸਕੈਨ ਕਰਦੀਆਂ ਹਨ। ਕਿਉਂਕਿ ਅਸੀਂ ਨਯੂਰੋਨਜ਼ ਨੂੰ ਜੋੜਦੇ ਹਾਂ ਜੋ ਇੱਕ ਦੂਜੇ ਦੇ ਨੇੜੇ ਹੁੰਦੇ ਹਨ, ਇਸ ਲਈ ਨੈਟਵਰਕ ਨੂੰ ਤਸਵੀਰ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਆਸਾਨ ਸਮਾਂ ਮਿਲੇਗਾ ਕਿਉਂਕਿ ਇਨਪੁਟ ਡੇਟਾ ਹਰੇਕ ਪਰਤ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ।
ਗਲੈਕਸੀ ਰੂਪ ਵਿਗਿਆਨ ਵਿੱਚ ਵਰਤੋਂ
ਜਦੋਂ ਗਲੈਕਸੀਆਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ CNN ਇੱਕ ਗਲੈਕਸੀ ਦੇ ਚਿੱਤਰ ਨੂੰ ਛੋਟੇ "ਪੈਚਾਂ" ਵਿੱਚ ਵੰਡਦੇ ਹਨ। ਥੋੜੇ ਜਿਹੇ ਗਣਿਤ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਪਹਿਲੀ ਲੁਕਵੀਂ ਪਰਤ ਇਹ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੇਗੀ ਕਿ ਕੀ ਪੈਚ ਵਿੱਚ ਇੱਕ ਲਾਈਨ ਜਾਂ ਕਰਵ ਹੈ। ਹੋਰ ਪਰਤਾਂ ਵਧਦੇ ਗੁੰਝਲਦਾਰ ਸਵਾਲਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਗੀਆਂ ਜਿਵੇਂ ਕਿ ਕੀ ਪੈਚ ਵਿੱਚ ਇੱਕ ਸਪਿਰਲ ਗਲੈਕਸੀ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਬਾਂਹ ਦੀ ਮੌਜੂਦਗੀ।
ਹਾਲਾਂਕਿ ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਨਾ ਮੁਕਾਬਲਤਨ ਆਸਾਨ ਹੈ ਕਿ ਕੀ ਇੱਕ ਚਿੱਤਰ ਦੇ ਇੱਕ ਭਾਗ ਵਿੱਚ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਹੈ, ਇਹ ਪੁੱਛਣਾ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਂਦਾ ਹੈ ਕਿ ਕੀ ਚਿੱਤਰ ਇੱਕ ਸਪਿਰਲ ਗਲੈਕਸੀ ਦਿਖਾਉਂਦਾ ਹੈ, ਤਾਂ ਛੱਡੋ ਕਿ ਕਿਸ ਕਿਸਮ ਦੀ ਸਪਿਰਲ ਗਲੈਕਸੀ ਹੈ।
ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੇ ਨਾਲ, ਵਰਗੀਕਰਣ ਬੇਤਰਤੀਬ ਨਿਯਮਾਂ ਅਤੇ ਮਾਪਦੰਡਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਇਹ ਨਿਯਮ ਹੌਲੀ-ਹੌਲੀ ਉਸ ਸਮੱਸਿਆ ਲਈ ਵਧੇਰੇ ਸਟੀਕ ਅਤੇ ਢੁਕਵੇਂ ਬਣ ਜਾਂਦੇ ਹਨ ਜਿਸ ਨੂੰ ਅਸੀਂ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਾਂ। ਸਿਖਲਾਈ ਦੇ ਪੜਾਅ ਦੇ ਅੰਤ ਤੱਕ, ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਹੁਣ ਇੱਕ ਚਿੱਤਰ ਵਿੱਚ ਕਿਹੜੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਭਾਲ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਇਸਦਾ ਇੱਕ ਚੰਗਾ ਵਿਚਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ.
ਸਿਟੀਜ਼ਨ ਸਾਇੰਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ AI ਦਾ ਵਿਸਤਾਰ ਕਰਨਾ
ਨਾਗਰਿਕ ਵਿਗਿਆਨ ਸ਼ੁਕੀਨ ਵਿਗਿਆਨੀਆਂ ਜਾਂ ਜਨਤਕ ਮੈਂਬਰਾਂ ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਵਿਗਿਆਨਕ ਖੋਜ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਖਗੋਲ-ਵਿਗਿਆਨ ਦਾ ਅਧਿਐਨ ਕਰਨ ਵਾਲੇ ਵਿਗਿਆਨੀ ਅਕਸਰ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਵਿਗਿਆਨਕ ਖੋਜਾਂ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਨਾਗਰਿਕ ਵਿਗਿਆਨੀਆਂ ਨਾਲ ਸਹਿਯੋਗ ਕਰਦੇ ਹਨ। ਨਾਸਾ ਨੇ ਏ ਸੂਚੀ ਵਿੱਚ ਦਰਜਨਾਂ ਨਾਗਰਿਕ ਵਿਗਿਆਨ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚੋਂ ਜਿਸ ਵਿੱਚ ਸੈਲਫੋਨ ਜਾਂ ਲੈਪਟਾਪ ਵਾਲਾ ਕੋਈ ਵੀ ਯੋਗਦਾਨ ਪਾ ਸਕਦਾ ਹੈ।
ਜਾਪਾਨ ਦੀ ਨੈਸ਼ਨਲ ਐਸਟ੍ਰੋਨੋਮੀਕਲ ਆਬਜ਼ਰਵੇਟਰੀ ਨੇ ਵੀ ਇੱਕ ਨਾਗਰਿਕ ਵਿਗਿਆਨ ਪ੍ਰੋਜੈਕਟ ਲਗਾਇਆ ਹੈ ਜਿਸਨੂੰ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਗਲੈਕਸੀ ਕਰੂਜ਼. ਪਹਿਲਕਦਮੀ ਵਲੰਟੀਅਰਾਂ ਨੂੰ ਗਲੈਕਸੀਆਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਅਤੇ ਗਲੈਕਸੀਆਂ ਵਿਚਕਾਰ ਸੰਭਾਵੀ ਟਕਰਾਅ ਦੇ ਸੰਕੇਤਾਂ ਦੀ ਭਾਲ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੰਦੀ ਹੈ। ਇੱਕ ਹੋਰ ਨਾਗਰਿਕ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਬੁਲਾਇਆ ਗਿਆ ਗਲੈਕਸੀ ਚਿੜੀਆਘਰ ਲਾਂਚ ਦੇ ਪਹਿਲੇ ਸਾਲ ਵਿੱਚ ਹੀ 50 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਵਰਗੀਕਰਨ ਪ੍ਰਾਪਤ ਕਰ ਚੁੱਕੇ ਹਨ।
ਨਾਗਰਿਕ ਵਿਗਿਆਨ ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਅਸੀਂ ਕਰ ਸਕਦੇ ਹਾਂ ਤੰਤੂ ਨੈੱਟਵਰਕ ਦੀ ਸਿਖਲਾਈ ਗਲੈਕਸੀਆਂ ਨੂੰ ਹੋਰ ਵਿਸਤ੍ਰਿਤ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ। ਅਸੀਂ ਦਿਲਚਸਪ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੀਆਂ ਗਲੈਕਸੀਆਂ ਨੂੰ ਲੱਭਣ ਲਈ ਇਹਨਾਂ ਨਾਗਰਿਕ ਵਿਗਿਆਨ ਲੇਬਲਾਂ ਦੀ ਵਰਤੋਂ ਵੀ ਕਰ ਸਕਦੇ ਹਾਂ। ਰਿੰਗਾਂ ਅਤੇ ਲੈਂਸਾਂ ਵਰਗੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲੱਭਣਾ ਅਜੇ ਵੀ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ।
ਸਿੱਟਾ
ਖਗੋਲ-ਵਿਗਿਆਨ ਦੇ ਖੇਤਰ ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਤਕਨੀਕਾਂ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਸਿੱਧ ਹੋ ਰਹੀਆਂ ਹਨ। 2021 ਵਿੱਚ ਨਾਸਾ ਦੇ ਜੇਮਸ ਵੈਬ ਸਪੇਸ ਟੈਲੀਸਕੋਪ ਦੀ ਲਾਂਚਿੰਗ ਨਿਰੀਖਣ ਖਗੋਲ ਵਿਗਿਆਨ ਦੇ ਇੱਕ ਨਵੇਂ ਯੁੱਗ ਦਾ ਵਾਅਦਾ ਕਰਦੀ ਹੈ। ਟੈਲੀਸਕੋਪ ਨੇ ਪਹਿਲਾਂ ਹੀ ਟੈਰਾਬਾਈਟ ਡਾਟਾ ਇਕੱਠਾ ਕੀਤਾ ਹੈ, ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਇਸ ਦੇ ਪੰਜ ਸਾਲਾਂ ਦੇ ਮਿਸ਼ਨ ਦੇ ਜੀਵਨ ਕਾਲ ਵਿੱਚ ਹਜ਼ਾਰਾਂ ਹੋਰ.
ਗਲੈਕਸੀਆਂ ਦਾ ਵਰਗੀਕਰਨ ਬਹੁਤ ਸਾਰੇ ਸੰਭਾਵੀ ਕੰਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਜਿਸਨੂੰ ML ਨਾਲ ਸਕੇਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਸਪੇਸ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਆਪਣੀ ਬਿਗ ਡੇਟਾ ਸਮੱਸਿਆ ਬਣ ਜਾਣ ਦੇ ਨਾਲ, ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਵੱਡੀ ਤਸਵੀਰ ਨੂੰ ਸਮਝਣ ਲਈ ਉੱਨਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਲਗਾਉਣਾ ਚਾਹੀਦਾ ਹੈ।
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ