Aceeași tehnologie care conduce la recunoașterea facială și la mașinile cu conducere autonomă poate fi în curând un instrument cheie în dezvăluirea secretelor ascunse ale universului.
Evoluțiile recente în astronomia observațională au dus la o explozie de date.
Telescoapele puternice adună terabytes de date zilnic. Pentru a procesa atât de multe date, oamenii de știință trebuie să găsească noi modalități de automatizare a diferitelor sarcini în domeniu, cum ar fi măsurarea radiațiilor și a altor fenomene cerești.
O sarcină specială pe care astronomii sunt dornici să o accelereze este clasificarea galaxiilor. În acest articol, vom analiza de ce este atât de importantă clasificarea galaxiilor și cum cercetătorii au început să se bazeze pe tehnici avansate de învățare automată pentru a se extinde pe măsură ce volumul de date crește.
De ce trebuie să clasificăm galaxiile?
Clasificarea galaxiilor, cunoscută în domeniu ca morfologie a galaxiilor, a luat naștere în secolul al XVIII-lea. În acea perioadă, Sir William Herschel a observat că diverse „nebuloase” au apărut sub diferite forme. Fiul său, John Herschel, a îmbunătățit această clasificare făcând distincția între nebuloasele galactice și nebuloasele non-galactice. Ultima dintre aceste două clasificări este ceea ce știm și numim galaxii.
Spre sfârșitul secolului al XVIII-lea, diverși astronomi au speculat că aceste obiecte cosmice erau „extra-galactice” și că se află în afara propriei noastre Căi Lactee.
Hubble a introdus o nouă clasificare a galaxiilor în 1925 odată cu introducerea secvenței Hubble, cunoscută în mod informal sub numele de diagrama diapazon Hubble.
Secvența lui Hubble a împărțit galaxiile în galaxii regulate și neregulate. Galaxiile obișnuite au fost împărțite în trei mari clase: eliptice, spirale și lenticulare.
Studiul galaxiilor ne oferă o perspectivă asupra mai multor mistere cheie ale modului în care funcționează universul. Cercetătorii au folosit diferitele forme de galaxii pentru a teoretiza despre procesul de formare a stelelor. Folosind simulări, oamenii de știință au încercat, de asemenea, să modeleze modul în care galaxiile se formează în formele pe care le observăm astăzi.
Clasificarea morfologică automată a galaxiilor
Cercetările privind utilizarea învățării automate pentru a clasifica galaxiile au arătat rezultate promițătoare. În 2020, cercetătorii de la Observatorul Național Astronomic al Japoniei au folosit a tehnica de deep learning pentru a clasifica galaxiile cu precizie.
Cercetătorii au folosit un set mare de date de imagini obținute din Sondajul Subaru/Hyper Suprime-Cam (HSC). Folosind tehnica lor, ei au putut clasifica galaxiile în spirale în sensul S, spirale în sensul Z și non-spirale.
Cercetările lor au demonstrat avantajele combinării datelor mari de la telescoape cu învățare profundă tehnici. Datorită rețelelor neuronale, astronomii pot încerca acum să clasifice alte tipuri de morfologie, cum ar fi barele, fuziunile și obiectele cu lentile puternice. De exemplu, cercetări aferente de la MK Cavanagh și K. Bekki au folosit CNN-urile pentru a investiga formațiunile de bare în galaxiile care fuzionează.
Cum funcționează
Oamenii de știință de la NAOJ s-au bazat pe convoluțional rețele neuronale sau CNN-uri pentru a clasifica imaginile. Din 2015, CNN-urile au devenit o tehnică extrem de precisă pentru clasificarea anumitor obiecte. Aplicațiile din lumea reală pentru CNN includ detectarea feței în imagini, mașini cu conducere autonomă, recunoașterea caracterelor scrise de mână și servicii medicale. analiza imaginilor.
Dar cum funcționează un CNN?
CNN aparține unei clase de tehnici de învățare automată cunoscută sub numele de clasificator. Clasificatorii pot lua anumite intrări și ieșiri la un punct de date. De exemplu, un clasificator de semne stradale va putea să preia o imagine și să scoată o imagine dacă imaginea este sau nu un semn stradal.
Un CNN este un exemplu de a rețele neuronale. Aceste rețele neuronale sunt compuse din neuroni organizat în straturi. În timpul fazei de antrenament, acești neuroni sunt reglați pentru a adapta greutăți și părtiniri specifice care vor ajuta la rezolvarea problemei de clasificare necesare.
Când o rețea neuronală primește o imagine, aceasta preia zone mici ale imaginii, mai degrabă decât totul în ansamblu. Fiecare neuron individual interacționează cu alți neuroni așa cum ia în diferite secțiuni ale imaginii principale.
Prezența straturilor convoluționale face CNN diferit de alte rețele neuronale. Aceste straturi scanează blocuri de pixeli suprapuse cu scopul de a identifica caracteristicile din imaginea de intrare. Deoarece conectăm neuronii apropiați, rețeaua va avea mai ușor să înțeleagă imaginea pe măsură ce datele de intrare trec prin fiecare strat.
Utilizare în morfologia galaxiei
Când sunt utilizate în clasificarea galaxiilor, CNN-urile descompun o imagine a unei galaxii în „petice” mai mici. Folosind puțină matematică, primul strat ascuns va încerca să rezolve dacă patch-ul conține o linie sau o curbă. Straturi ulterioare vor încerca să rezolve întrebări din ce în ce mai complexe, cum ar fi dacă plasturele conține o caracteristică a unei galaxii spirale, cum ar fi prezența unui braț.
Deși este relativ ușor să determinați dacă o secțiune a unei imagini conține o linie dreaptă, devine din ce în ce mai complex să întrebați dacă imaginea arată o galaxie spirală, cu atât mai puțin ce tip de galaxie spirală.
Cu rețelele neuronale, clasificatorul începe cu reguli și criterii aleatorii. Aceste reguli devin încet din ce în ce mai precise și relevante pentru problema pe care încercăm să o rezolvăm. Până la sfârșitul fazei de antrenament, rețeaua neuronală ar trebui să aibă acum o idee bună despre ce caracteristici să caute într-o imagine.
Extinderea AI folosind Citizen Science
Știința cetățeană se referă la cercetarea științifică efectuată de oameni de știință amatori sau de membri publici.
Oamenii de știință care studiază astronomia colaborează adesea cu cetățenii de știință pentru a ajuta la realizarea unor descoperiri științifice mai importante. NASA susține a listă a zeci de proiecte de știință cetățeană la care poate contribui oricine are un telefon mobil sau un laptop.
Observatorul Național Astronomic al Japoniei a lansat, de asemenea, un proiect de știință cetățenească cunoscut sub numele de Galaxy Cruise. Inițiativa antrenează voluntari să clasifice galaxiile și să caute semne de potențiale coliziuni între galaxii. Un alt proiect cetățean numit Zoo Galaxy a primit deja peste 50 de milioane de clasificări doar în primul an de la lansare.
Folosind date din proiecte de știință cetățenească, putem antrenează rețelele neuronale pentru a clasifica galaxiile în clase mai detaliate. De asemenea, am putea folosi aceste etichete de știință cetățenească pentru a găsi galaxii cu caracteristici interesante. Funcții precum inelele și lentilele pot fi încă dificil de găsit folosind o rețea neuronală.
Concluzie
Tehnicile rețelelor neuronale devin din ce în ce mai populare în domeniul astronomiei. Lansarea telescopului spațial James Webb de la NASA în 2021 promite o nouă eră a astronomiei observaționale. Telescopul a colectat deja terabytes de date, cu alte mii posibil pe drum în timpul misiunii sale de cinci ani.
Clasificarea galaxiilor este doar una dintre multele sarcini potențiale care pot fi extinse cu ML. Întrucât procesarea datelor spațiale devine propria sa problemă Big Data, cercetătorii trebuie să folosească pe deplin învățarea automată avansată pentru a înțelege imaginea de ansamblu.
Lasă un comentariu