A mesma tecnologia que impulsiona o reconhecimento facial e os carros autônomos pode em breve ser um instrumento fundamental para desvendar os segredos ocultos do universo.
Desenvolvimentos recentes na astronomia observacional levaram a uma explosão de dados.
Telescópios poderosos coletam terabytes de dados diariamente. Para processar tantos dados, os cientistas precisam encontrar novas maneiras de automatizar várias tarefas em campo, como medir a radiação e outros fenômenos celestes.
Uma tarefa específica que os astrônomos estão ansiosos para acelerar é a classificação das galáxias. Neste artigo, veremos por que a classificação de galáxias é tão importante e como os pesquisadores começaram a confiar em técnicas avançadas de aprendizado de máquina para aumentar à medida que o volume de dados aumenta.
Por que precisamos classificar as galáxias?
A classificação das galáxias, conhecida no campo como morfologia galáctica, teve origem no século XVIII. Durante esse tempo, Sir William Herschel observou que várias 'nebulosas' vinham em várias formas. Seu filho John Herschel melhorou esta classificação distinguindo entre nebulosas galácticas e nebulosas não galácticas. A última dessas duas classificações é o que conhecemos e chamamos de galáxias.
No final do século 18, vários astrônomos especularam que esses objetos cósmicos eram “extra-galácticos” e que estavam fora da nossa Via Láctea.
Hubble introduziu uma nova classificação de galáxias em 1925 com a introdução da sequência de Hubble, conhecida informalmente como diagrama do diapasão de Hubble.
A sequência de Hubble dividiu as galáxias em galáxias regulares e irregulares. As galáxias regulares foram divididas em três grandes classes: elípticas, espirais e lenticulares.
O estudo das galáxias nos dá uma visão de vários mistérios importantes de como o universo funciona. Os pesquisadores usaram as diferentes formas de galáxias para teorizar sobre o processo de formação de estrelas. Usando simulações, os cientistas também tentaram modelar como as próprias galáxias se formam nas formas que observamos hoje.
Classificação morfológica automatizada de galáxias
A pesquisa sobre o uso de aprendizado de máquina para classificar galáxias mostrou resultados promissores. Em 2020, pesquisadores do Observatório Astronômico Nacional do Japão usaram um técnica de aprendizado profundo classificar as galáxias com precisão.
Os pesquisadores usaram um grande conjunto de dados de imagens obtidas da pesquisa Subaru/Hyper Suprime-Cam (HSC). Usando sua técnica, eles poderiam classificar as galáxias em espirais no sentido S, espirais no sentido Z e não espirais.
Sua pesquisa demonstrou as vantagens de combinar big data de telescópios com deep learning técnicas. Por causa das redes neurais, os astrônomos agora podem tentar classificar outros tipos de morfologia, como barras, fusões e objetos com lentes fortes. Por exemplo, pesquisa relacionada de MK Cavanagh e K. Bekki usaram CNNs para investigar formações de barras em galáxias em fusão.
Como funciona
Os cientistas do NAOJ confiaram em redes neurais ou CNNs para classificar imagens. Desde 2015, as CNNs se tornaram uma técnica extremamente precisa para classificar certos objetos. Aplicações do mundo real para CNNs incluem detecção de rosto em imagens, carros autônomos, reconhecimento de caracteres manuscritos e assistência médica análise de imagens.
Mas como funciona uma CNN?
A CNN pertence a uma classe de técnicas de aprendizado de máquina conhecida como classificador. Os classificadores podem receber certas entradas e saídas de um ponto de dados. Por exemplo, um classificador de placas de rua poderá receber uma imagem e exibir se a imagem é uma placa de rua ou não.
A CNN é um exemplo de rede neural. Essas redes neurais são compostas por neurônios organizado em camadas. Durante a fase de treinamento, esses neurônios são ajustados para adaptar pesos e vieses específicos que ajudarão a resolver o problema de classificação necessário.
Quando uma rede neural recebe uma imagem, ela absorve pequenas áreas da imagem em vez de tudo como um todo.
A presença de camadas convolucionais torna a CNN diferente de outras redes neurais. Essas camadas varrem blocos de pixels sobrepostos com o objetivo de identificar recursos da imagem de entrada. Como conectamos neurônios próximos, a rede terá mais facilidade para entender a imagem à medida que os dados de entrada passam por cada camada.
Uso na morfologia da galáxia
Quando usadas na classificação de galáxias, as CNNs dividem uma imagem de uma galáxia em “manchas” menores. Usando um pouco de matemática, a primeira camada oculta tentará resolver se o patch contém uma linha ou curva. Outras camadas tentarão resolver questões cada vez mais complexas, como se o patch contém uma característica de uma galáxia espiral, como a presença de um braço.
Embora seja relativamente fácil determinar se uma seção de uma imagem contém uma linha reta, torna-se cada vez mais complexo perguntar se a imagem mostra uma galáxia espiral, sem falar que tipo de galáxia espiral.
Com redes neurais, o classificador começa com regras e critérios aleatórios. Essas regras lentamente se tornam cada vez mais precisas e relevantes para o problema que estamos tentando resolver. Ao final da fase de treinamento, a rede neural deve ter uma boa ideia de quais recursos procurar em uma imagem.
Estendendo a IA usando a Ciência Cidadã
A ciência cidadã refere-se à pesquisa científica conduzida por cientistas amadores ou membros públicos.
Cientistas que estudam astronomia geralmente colaboram com cientistas cidadãos para ajudar a fazer descobertas científicas mais importantes. A NASA mantém um Lista de dezenas de projetos de ciência cidadã para os quais qualquer pessoa com um celular ou laptop pode contribuir.
O Observatório Astronômico Nacional do Japão também lançou um projeto de ciência cidadã conhecido como Cruzeiro Galáctico. A iniciativa treina voluntários para classificar galáxias e procurar sinais de possíveis colisões entre galáxias. Outro projeto cidadão chamado Galaxy Zoo já recebeu mais de 50 milhões de classificações apenas no primeiro ano de lançamento.
Usando dados de projetos de ciência cidadã, podemos treinar redes neurais para classificar as galáxias em classes mais detalhadas. Também poderíamos usar esses rótulos de ciência cidadã para encontrar galáxias com características interessantes. Recursos como anéis e lentes ainda podem ser difíceis de encontrar usando uma rede neural.
Conclusão
As técnicas de rede neural estão se tornando cada vez mais populares no campo da astronomia. O lançamento do Telescópio Espacial James Webb da NASA em 2021 promete uma nova era de astronomia observacional. O telescópio já coletou terabytes de dados, com possivelmente milhares mais a caminho em seus cinco anos de vida útil da missão.
A classificação de galáxias é apenas uma das muitas tarefas potenciais que podem ser ampliadas com ML. Com o processamento de dados espaciais se tornando seu próprio problema de Big Data, os pesquisadores devem empregar totalmente o aprendizado de máquina avançado para entender o quadro geral.
Deixe um comentário