Ta sama technologia, która napędza rozpoznawanie twarzy i autonomiczne samochody, może wkrótce stać się kluczowym instrumentem w odkrywaniu ukrytych tajemnic wszechświata.
Ostatnie postępy w astronomii obserwacyjnej doprowadziły do eksplozji danych.
Potężne teleskopy codziennie zbierają terabajty danych. Aby przetworzyć tak wiele danych, naukowcy muszą znaleźć nowe sposoby automatyzacji różnych zadań w terenie, takich jak pomiary promieniowania i innych zjawisk niebieskich.
Jednym ze szczególnych zadań, które astronomowie chcą przyspieszyć, jest klasyfikacja galaktyk. W tym artykule przyjrzymy się, dlaczego klasyfikacja galaktyk jest tak ważna i jak naukowcy zaczęli polegać na zaawansowanych technikach uczenia maszynowego, aby skalować się wraz ze wzrostem ilości danych.
Dlaczego musimy klasyfikować galaktyki?
Klasyfikacja galaktyk, znana w tej dziedzinie jako morfologia galaktyk, powstała w XVIII wieku. W tym czasie sir William Herschel zauważył, że różne "mgławice" przybierają różne formy. Jego syn, John Herschel, udoskonalił tę klasyfikację, rozróżniając mgławice galaktyczne i niegalaktyczne. Ta ostatnia z tych dwóch klasyfikacji jest tym, co znamy i nazywamy galaktykami.
Pod koniec XVIII wieku różni astronomowie spekulowali, że te kosmiczne obiekty są „pozagalaktyczne” i leżą poza naszą Drogą Mleczną.
Hubble wprowadził nową klasyfikację galaktyk w 1925 roku, wprowadzając sekwencję Hubble'a, znaną nieformalnie jako diagram kamertonowy Hubble'a.
Sekwencja Hubble'a podzieliła galaktyki na galaktyki regularne i nieregularne. Galaktyki regularne zostały podzielone na trzy szerokie klasy: eliptyczne, spiralne i soczewkowe.
Badanie galaktyk daje nam wgląd w kilka kluczowych tajemnic dotyczących funkcjonowania wszechświata. Naukowcy wykorzystali różne formy galaktyk do teoretyzowania na temat procesu formowania się gwiazd. Korzystając z symulacji, naukowcy próbowali również modelować, w jaki sposób galaktyki formują się w kształty, które obserwujemy dzisiaj.
Automatyczna morfologiczna klasyfikacja galaktyk
Badania nad wykorzystaniem uczenia maszynowego do klasyfikowania galaktyk przyniosły obiecujące wyniki. W 2020 roku naukowcy z Narodowego Obserwatorium Astronomicznego Japonii wykorzystali technika głębokiego uczenia do dokładnej klasyfikacji galaktyk.
Naukowcy wykorzystali duży zestaw danych obrazów uzyskanych z badania Subaru/Hyper Suprime-Cam (HSC). Korzystając z tej techniki, mogli klasyfikować galaktyki na spirale typu S, spirale typu Z i niespiralne.
Ich badania wykazały zalety łączenia dużych zbiorów danych z teleskopów z głęboka nauka techniki. Dzięki sieciom neuronowym astronomowie mogą teraz próbować klasyfikować inne typy morfologii, takie jak słupki, połączenia i obiekty silnie soczewkowane. Na przykład, powiązane badania z MK Cavanagh i K. Bekki wykorzystali CNN do zbadania formacji poprzeczek w łączących się galaktykach.
Jak to działa
Naukowcy z NAOJ postawili na konwolucyjne sieci neuronowe lub CNN do klasyfikowania obrazów. Od 2015 roku CNN stały się niezwykle dokładną techniką klasyfikowania niektórych obiektów. Rzeczywiste zastosowania CNN obejmują wykrywanie twarzy na obrazach, samojezdne samochody, rozpoznawanie pisma odręcznego i medycynę analiza obrazów.
Ale jak działa CNN?
CNN należy do klasy technik uczenia maszynowego znanych jako klasyfikator. Klasyfikatory mogą pobierać określone dane wejściowe i wyjściowe z punktu danych. Na przykład klasyfikator znaków drogowych będzie mógł pobrać obraz i określić, czy obraz jest znakiem ulicznym, czy nie.
CNN jest przykładem sieci neuronowe. Te sieci neuronowe składają się z neurony zorganizowane w nioski. Podczas fazy treningu neurony te są dostrajane do dostosowania określonych wag i błędów systematycznych, które pomogą rozwiązać wymagany problem klasyfikacji.
Kiedy sieć neuronowa odbiera obraz, zajmuje małe obszary obrazu, a nie wszystko jako całość. Każdy pojedynczy neuron oddziałuje z innymi neuronami, gdy zajmuje różne sekcje głównego obrazu.
Obecność warstw splotowych odróżnia CNN od innych sieci neuronowych. Warstwy te skanują nakładające się bloki pikseli w celu identyfikacji cech z obrazu wejściowego. Ponieważ łączymy neurony, które są blisko siebie, sieć będzie mogła łatwiej zrozumieć obraz, gdy dane wejściowe przechodzą przez każdą warstwę.
Wykorzystanie w morfologii galaktyki
W przypadku użycia do klasyfikowania galaktyk, CNN rozkładają obraz galaktyki na mniejsze „łatki”. Używając trochę matematyki, pierwsza ukryta warstwa spróbuje ustalić, czy łata zawiera linię, czy krzywą. Kolejne warstwy będą próbowały rozwiązać coraz bardziej złożone pytania, takie jak to, czy łata zawiera cechę galaktyki spiralnej, taką jak obecność ramienia.
Chociaż stosunkowo łatwo jest określić, czy fragment obrazu zawiera linię prostą, coraz bardziej skomplikowane staje się pytanie, czy obraz przedstawia galaktykę spiralną, nie mówiąc już o typie galaktyki spiralnej.
W przypadku sieci neuronowych klasyfikator zaczyna od losowych reguł i kryteriów. Zasady te powoli stają się coraz bardziej precyzyjne i odpowiednie do problemu, który próbujemy rozwiązać. Pod koniec fazy uczenia sieć neuronowa powinna mieć dobre pojęcie o tym, jakich cech należy szukać w obrazie.
Rozszerzanie AI za pomocą Citizen Science
Nauka obywatelska odnosi się do badań naukowych prowadzonych przez naukowców-amatorów lub członków społeczeństwa.
Naukowcy zajmujący się astronomią często współpracują z naukowcami obywatelskimi, aby pomóc w dokonywaniu ważniejszych odkryć naukowych. NASA utrzymuje podstęp dziesiątek projektów z zakresu nauki obywatelskiej, do których może wnieść swój wkład każdy, kto ma telefon komórkowy lub laptop.
Japońskie Narodowe Obserwatorium Astronomiczne uruchomiło również obywatelski projekt naukowy znany jako Galaktyczny rejs. Inicjatywa szkoli ochotników w klasyfikowaniu galaktyk i szukaniu oznak potencjalnych kolizji między galaktykami. Kolejny projekt obywatelski o nazwie Galaktyczne Zoo otrzymał już ponad 50 milionów klasyfikacji w ciągu zaledwie pierwszego roku od uruchomienia.
Wykorzystując dane z obywatelskich projektów naukowych, możemy trenować sieci neuronowe dalej klasyfikować galaktyki na bardziej szczegółowe klasy. Moglibyśmy również użyć tych obywatelskich etykiet naukowych, aby znaleźć galaktyki o interesujących cechach. Funkcje takie jak pierścienie i soczewki mogą nadal być trudne do znalezienia za pomocą sieci neuronowej.
Wnioski
Techniki sieci neuronowych stają się coraz bardziej popularne w dziedzinie astronomii. Wystrzelenie Kosmicznego Teleskopu Jamesa Webba w 2021 roku zapowiada nową erę astronomii obserwacyjnej. Teleskop zgromadził już terabajty danych, a prawdopodobnie kolejne tysiące są w drodze w ciągu pięcioletniej misji.
Klasyfikowanie galaktyk to tylko jedno z wielu potencjalnych zadań, które można zwiększyć za pomocą ML. Ponieważ przetwarzanie danych kosmicznych staje się własnym problemem Big Data, naukowcy muszą w pełni wykorzystać zaawansowane uczenie maszynowe, aby zrozumieć całościowy obraz.
Dodaj komentarz