ساڳي ٽيڪنالاجي جيڪا منهن جي سڃاڻپ ۽ خود ڊرائيونگ ڪارن کي هلائي ٿي شايد جلد ئي ڪائنات جي لڪيل رازن کي کولڻ ۾ هڪ اهم اوزار ٿي سگهي ٿي.
مشاهداتي فلڪيات ۾ تازو ترقيات ڊيٽا جي ڌماڪي جو سبب بڻيا آهن.
طاقتور دوربينون روزانو ٽيرا بائيٽ ڊيٽا گڏ ڪن ٿيون. ايتري ڊيٽا کي پروسيس ڪرڻ لاء، سائنسدانن کي فيلڊ ۾ مختلف ڪمن کي خودڪار ڪرڻ لاء نوان طريقا ڳولڻ جي ضرورت آهي، جهڙوڪ تابڪاري ۽ ٻين آسماني واقعن کي ماپڻ.
هڪ خاص ڪم جنهن کي فلڪيات دان تيز ڪرڻ جا خواهشمند آهن اهو آهي ڪهڪشائن جي درجه بندي. هن آرٽيڪل ۾، اسان اڳتي وڌنداسين ڇو ته ڪهڪشائن کي درجه بندي ڪرڻ ايترو ضروري آهي ۽ ڪيئن محققن جديد مشين لرننگ ٽيڪنڪ تي ڀروسو ڪرڻ شروع ڪيو آهي ته جيئن ڊيٽا جي مقدار کي وڌايو وڃي.
اسان کي ڪهڪشائن جي درجه بندي ڪرڻ جي ضرورت ڇو آهي؟
ڪهڪشائن جي درجه بندي، جنهن کي فيلڊ ۾ گليڪس مورفولوجي جي نالي سان سڃاتو وڃي ٿو، 18 صدي عيسويء ۾ پيدا ٿيو. ان دوران سر وليم هرشل ڏٺو ته مختلف ’نيبولا‘ مختلف شڪلين ۾ اچن ٿا. هن جي پٽ جان هرشل هن درجي بندي ۾ بهتري ڪئي ته ڪهڪشائن جي نيبولا ۽ غير ڪهڪشان نيبولا جي وچ ۾ فرق ڪري. انهن ٻن درجي بندين جي پوئين حصي کي اسين ڄاڻون ٿا ۽ ڪهڪشائن جو حوالو ڏيون ٿا.
ارڙهين صديءَ جي پڇاڙيءَ ۾، مختلف فلڪياتدانن اهو اندازو لڳايو ته اهي ڪائناتي شيون ”اضافي-ڪهڪشان“ آهن، ۽ اهي اسان جي پنهنجي ملڪي واٽ کان ٻاهر آهن.
هبل 1925 ۾ ڪهڪشائن جي هڪ نئين درجه بندي متعارف ڪرائي هبل جي تسلسل جي تعارف سان، غير رسمي طور تي هبل ٽيوننگ-فورڪ ڊاگرام جي نالي سان مشهور آهي.
هبل جي تسلسل ڪهڪشائن کي باقاعده ۽ غير منظم ڪهڪشائن ۾ ورهايو. باقاعده ڪهڪشائن کي وڌيڪ ٽن وسيع طبقن ۾ ورهايو ويو: ايليپيٽيڪل، سرپل ۽ لينٽيڪيولر.
ڪهڪشائن جو مطالعو اسان کي ڪيترن ئي اهم اسرار ۾ بصيرت ڏئي ٿو ته ڪائنات ڪيئن ڪم ڪري ٿي. محقق تارن جي ٺهڻ جي عمل جي باري ۾ نظريو ڪرڻ لاءِ ڪهڪشائن جي مختلف شڪلين کي استعمال ڪيو آهي. تخليقن کي استعمال ڪندي، سائنسدانن اهو پڻ نمونو ڪرڻ جي ڪوشش ڪئي آهي ته ڪهڪشان ڪيئن پنهنجو پاڻ کي شڪلين ۾ ٺاهيندا آهن جيڪي اسان اڄ ڏسون ٿا.
Galaxies جي خودڪار مورفولوجيڪل درجه بندي
ڪهڪشائن جي درجه بندي ڪرڻ لاءِ مشين لرننگ کي استعمال ڪرڻ جي تحقيق اميدن جا نتيجا ڏيکاريا آهن. 2020 ۾، جاپان جي قومي فلڪياتي آبزرويٽري جي محققن استعمال ڪيو a گہرے سکيا ٽيڪنڪ ڪهڪشائن کي درست ڪرڻ لاءِ.
محقق Subaru/Hyper Suprime-Cam (HSC) سروي مان حاصل ڪيل تصويرن جو هڪ وڏو ڊيٽا سيٽ استعمال ڪيو. انهن جي ٽيڪنڪ کي استعمال ڪندي، اهي ڪهڪشائن کي S-wise spirals، Z-wise spirals، ۽ non-spirals ۾ ورهائي سگھن ٿا.
انهن جي تحقيق ڏيکاري ٿي ته وڏي ڊيٽا کي گڏ ڪرڻ جي فائدن کي دوربين مان تمام گهڻي سکيا ٽيڪنڪ اعصابي جال جي ڪري، astronomers ھاڻي ٻين قسمن جي مورفولوجي جي درجه بندي ڪرڻ جي ڪوشش ڪري سگھن ٿا جھڙوڪ بار، ضمير، ۽ مضبوط لينس ٿيل شيون. مثال طور، لاڳاپيل تحقيق MK Cavanagh ۽ K. Bekki کان CNN استعمال ڪيا ويا ڪهڪشائن ۾ بار جي جوڙجڪ جي تحقيق ڪرڻ لاء.
ڪيئن اهو ڪم
NAOJ کان سائنسدانن تي انحصار ڪيو convolutional نظرياتي نيٽ ورڪ يا CNNs تصويرن جي درجه بندي ڪرڻ لاء. 2015 کان وٺي، CNNs هڪ انتهائي صحيح ٽيڪنڪ بڻجي چڪا آهن خاص شين جي درجه بندي ڪرڻ لاءِ. CNNs لاءِ حقيقي دنيا جي ايپليڪيشنن ۾ شامل آهن تصويرن ۾ منهن جي سڃاڻپ، خود ڊرائيونگ ڪارون، هٿ سان لکيل ڪردار جي سڃاڻپ، ۽ طبي تصويري تجزيو.
پر هڪ سي اين اين ڪيئن ڪم ڪندو آهي؟
CNN جو تعلق مشيني سکيا جي ٽيڪنڪ جي ھڪڙي طبقي سان آھي جنھن کي ڪلاسفير طور سڃاتو وڃي ٿو. Classifiers ڪجهه ان پٽ وٺي سگھن ٿا ۽ ڊيٽا پوائنٽ آئوٽ ڪري سگھن ٿا. مثال طور، هڪ گهٽي جي نشاني جي درجه بندي ڪرڻ جي قابل هوندو هڪ تصوير ۽ آئوٽ ۾ وٺي ته ڇا تصوير گهٽي جي نشاني آهي يا نه.
سي اين اين جو هڪ مثال آهي نظرياتي نيٽورڪ. اهي نيورل نيٽ ورڪ جا ٺهيل آهن نڀاڳو ۾ منظم پرت. ٽريننگ جي مرحلي دوران، اهي نيورون مخصوص وزن ۽ تعصب کي اپنائڻ لاءِ ترتيب ڏنل آهن جيڪي گهربل درجي بندي جي مسئلي کي حل ڪرڻ ۾ مدد ڏين ٿيون.
جڏهن هڪ نيورل نيٽ ورڪ هڪ تصوير حاصل ڪري ٿو، اهو تصوير جي ننڍن علائقن ۾ وٺندو آهي بلڪه هر شيء جي مجموعي طور تي، هر فرد نيورون ٻين نيورون سان رابطو ڪري ٿو جيئن اهو مکيه تصوير جي مختلف حصن ۾ وٺندو آهي.
Convolutional تہن جي موجودگي CNN کي ٻين نيورل نيٽ ورڪن کان مختلف بڻائي ٿي. اهي پرتون پکسلز جي اوورليپنگ بلاڪ کي اسڪين ڪن ٿيون ان پٽ تصوير مان خاصيتن کي سڃاڻڻ جي مقصد سان. جيئن ته اسان نيورسن کي ڳنڍيندا آهيون جيڪي هڪٻئي جي ويجهو هوندا آهن، نيٽ ورڪ کي تصوير کي سمجهڻ ۾ آسان وقت هوندو جيئن ان پٽ ڊيٽا هر پرت مان گذري ٿو.
گليڪس مورفولوجي ۾ استعمال
جڏهن ڪهڪشائن کي درجه بندي ڪرڻ ۾ استعمال ڪيو ويندو آهي، سي اين اين هڪ ڪهڪشان جي تصوير کي ننڍن "پيچ" ۾ ٽوڙيندا آهن. ٿوري رياضي کي استعمال ڪندي، پهرين لڪيل پرت حل ڪرڻ جي ڪوشش ڪندي ته ڇا پيچ ۾ هڪ لڪير يا وکر شامل آهي. وڌيڪ پرتون وڌندڙ پيچيده سوالن کي حل ڪرڻ جي ڪوشش ڪنديون جيئن ته ڇا پيچ ۾ هڪ سرپل ڪهڪشان جي خاصيت آهي، جهڙوڪ بازو جي موجودگي.
جيتوڻيڪ اهو اندازو ڪرڻ نسبتاً آسان آهي ته ڇا تصوير جي هڪ حصي ۾ سڌي لڪير آهي، پر اهو پڇڻ تيزي سان پيچيده ٿي ويندو آهي ته ڇا تصوير هڪ سرپل ڪهڪشان ڏيکاري ٿي، ڇڏي ڏيو ته ڪهڙي قسم جي سرپل ڪهڪشان.
عصبي نيٽ ورڪن سان، درجه بندي شروع ٿئي ٿو بي ترتيب قاعدن ۽ معيارن سان. اهي ضابطا آهستي آهستي وڌيڪ ۽ وڌيڪ درست ۽ لاڳاپيل ٿي ويندا آهن ان مسئلي سان جنهن کي اسان حل ڪرڻ جي ڪوشش ڪري رهيا آهيون. ٽريننگ مرحلي جي پڄاڻيءَ تائين، نيورل نيٽ ورڪ کي ھاڻي اھو سٺو خيال ھئڻ گھرجي ته تصوير ۾ ڪھڙين خصوصيتن کي ڏسڻ گھرجي.
سٽيزن سائنس استعمال ڪندي AI کي وڌائڻ
سٽيزن سائنس مان مراد آهي سائنسي تحقيق جيڪي شوقين سائنسدانن يا عوامي ميمبرن پاران ڪيل آهن.
سائنسدان جيڪي علم فلڪيات جو مطالعو ڪندا آهن اڪثر ڪري شهري سائنسدانن سان تعاون ڪندا آهن ته جيئن وڌيڪ اهم سائنسي دريافتون ڪرڻ ۾ مدد ڪن. ناسا برقرار رکي ٿو a فهرست ڪيترن ئي شهرين جي سائنس منصوبن مان جن ۾ ڪو به سيل فون يا ليپ ٽاپ وارو حصو ڏئي سگهي ٿو.
جاپان جي نيشنل ڪلاسيڪل آبزرويٽري پڻ هڪ شهري سائنس پروجيڪٽ قائم ڪيو آهي جنهن جي نالي سان مشهور آهي Galaxy Cruise. شروعات رضاڪارن کي ڪهڪشائن جي درجه بندي ڪرڻ ۽ ڪهڪشائن جي وچ ۾ امڪاني ٽڪراءَ جي نشانين کي ڳولڻ جي تربيت ڏئي ٿي. هڪ ٻيو شهري منصوبو سڏيو گليڪس زو صرف لانچ جي پهرين سال ۾ 50 ملين کان وڌيڪ درجه بندي حاصل ڪري چڪو آهي.
شهري سائنس جي منصوبن مان ڊيٽا استعمال ڪندي، اسان ڪري سگهون ٿا اعصابي نيٽ ورڪ جي تربيت ڪهڪشائن کي وڌيڪ تفصيلي طبقن ۾ ورهائڻ لاءِ. اسان پڻ استعمال ڪري سگهون ٿا اهي شهري سائنس جا ليبل دلچسپ خاصيتن سان ڪهڪشائن کي ڳولڻ لاءِ. خاصيتون جهڙوڪ انگوزي ۽ لينس اڃا تائين ڳولڻ ڏکيو ٿي سگھي ٿو نيورل نيٽ ورڪ استعمال ڪندي.
ٿڪل
عصبي نيٽ ورڪ ٽيڪنڪون تيزيءَ سان علم فلڪيات جي ميدان ۾ مقبول ٿي رهيون آهن. 2021 ۾ ناسا جي جيمس ويب اسپيس ٽيليسڪوپ جو لانچ مشاهدي جي فلڪيات جي نئين دور جو واعدو ڪري ٿو. دوربين اڳ ۾ ئي ٽيرا بائيٽ ڊيٽا گڏ ڪري چڪو آهي، ممڪن طور تي هزارين وڌيڪ پنهنجي پنجن سالن جي مشن جي زندگي ۾ رستي تي.
ڪهڪشائن کي درجه بندي ڪرڻ ڪيترن ئي امڪاني ڪمن مان صرف هڪ آهي جنهن کي ML سان ماپ ڪري سگهجي ٿو. خلائي ڊيٽا پروسيسنگ سان گڏ ان جي پنهنجي بگ ڊيٽا جو مسئلو بڻجي رهيو آهي، محقق کي وڏي تصوير کي سمجهڻ لاء مڪمل طور تي ترقي يافته مشين سکيا کي استعمال ڪرڻ گهرجي.
جواب ڇڏي وڃو